- GLINT-RU：用于序列推荐系统的门控轻型智能循环单元
该研究论文提出了一种基于 Gated Recurrent Units (GRU) 的高效序列推荐框架 GLINT-RU，该框架通过密集选择性门机制加速推理速度，并在全局用户 - 物品交互信息基础上提升推荐质量，实验证明 GLINT-RU 在 - 基于对比学习和自注意力机制的时间接近度上的顺序推荐
通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。
- EASRec：用于高效长期顺序推荐系统的弹性架构搜索
我们的研究针对当前基于注意力模型的顺序推荐系统（SRSs）在计算和资源效率方面存在的困难进行了探讨，提出了结合自动修剪技术和先进模型架构的新方法。我们还探索了资源受限的神经架构搜索技术在减少计算成本、延迟和能源消耗方面的潜力，同时保持或提高 - 对顺序推荐系统对训练数据扰动的鲁棒性研究：实证研究
通过实证研究，本文探讨了删除时间序列内不同位置的物品对顺序推荐系统（SRSs）模型的影响，结果表明在序列末尾删除物品显著影响性能，指标 NDCG 下降 60％，而在序列的起始或中间删除物品则没有显著影响，这些结果强调了在训练数据中考虑扰动物 - 序列推荐系统中训练损失中集成项目相关性
提出了一个新的评估协议来解决 “多余噪声” 对顺序推荐系统的影响，并引入了一种新型的关联感知损失函数来训练该系统，使其更具有鲁棒性，该模型在传统评估协议中 NDCG@10 有 0.88% 的提高，在新评估协议中有 1.63% 的 NDCG@ - SIGIRMELT: 面向序列推荐的长尾用户和项目相互增强
本文提出了基于互补学习和课程学习的新框架 Mutual Enhancement of Long-Tailed user and item (MELT)，它是序列推荐系统中第一篇同时解决长尾用户和物品的问题，同时也是模型无关的。实验结果表明， - WWWAutoMLP：面向序列推荐的自动 MLP
提出了一种新型的、自适应的持续推荐系统 AutoMLP，旨在更好地对用户的长期和短期兴趣进行建模，通过端到端优化进行自动化和自适应搜索算法，与最先进的方法具有相当竞争性的性能，同时保持线性计算复杂度。
- 使用累计交叉熵损失的序列推荐有效高效训练
本文提出了一种基于序列的 Cumulative Cross-Entropy (CCE) 损失函数，在不使用负采样的情况下有效地训练了三种最先进的推荐模型，针对序列推荐系统中存在的缺陷，重点解决了序列信息利用率低的问题，并在五个基准数据集上进 - 通过个性化兴趣可持续性实现的连续推荐
本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。
- 防御基于替换的顺序推荐系统污染攻击
本文针对序列推荐系统中的对抗攻击，提出了基于替换的对抗攻击算法和一种称为 Dirichlet 邻域采样的有效防御方法。均在各类模型架构与数据集上获得了较好的效果。
- MM利用时间衰减选择的顺序推荐的高效有效训练
本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。
- 时间图变换器的多行为序列推荐
本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。
- 序列 / 会话推荐：挑战、方法、应用和机遇
本文旨在提出统一框架和问题陈述，以填补序列推荐系统（SRS）和基于 session 的推荐系统（SBRS）的现有不一致性，并提供数据特征，难点，现有方法，实际应用和未来研究方向的全面系统演示，以促进这个领域的进一步研究。
- 通过无数据模型提取对顺序推荐器的黑盒攻击
本研究探讨了模型提取是否可以用于 “窃取” 顺序推荐系统的权重以及针对此类攻击对受害者可能带来的潜在威胁。我们认为，由于用于训练它们的特定自回归模型，顺序推荐系统容易受到攻击。我们在无数据访问情况下，通过有限预算模拟数据生成和知识蒸馏提出了 - 轻量级自注意力序列推荐
该论文介绍了一种新型轻量级自注意网络 LSAN，通过组成嵌入将原始嵌入矩阵进行压缩并提出了时态上下文感知的嵌入组合方案以解决目前序列推荐中所存在的大量参数嵌入矩阵对资源受限环境的开销过大的问题，并拥有更强的性能表现。
- AAAI序列推荐中的非侵入式自注意力用于辅助信息融合
本研究提出了一种新方法 NOVA，在 BERT 框架下利用辅助信息来提供更好的注意力分布，以便更全面和更好地推荐。在公共和商业数据集上验证，本文提出的方法能够稳定地胜过现有技术。
- SIGIR序列推荐系统通用网络压缩框架
本文提出了一种压缩的序列推荐框架 CpRec，采用块状自适应分解和层间参数共享等技术来压缩神经网络，在真实世界的序列推荐数据集中表现出了较高的准确率和效率。
- IJCAI序列推荐系统：挑战、进展和前景
本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。
- AAAI序列推荐的记忆增强图神经网络
提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。