【序列推荐综述】IJCAI‘19:Sequential Recommender Systems: Challenges, Progress and Prospects

#论文题目：【序列推荐】Sequential Recommender Systems: Challenges, Progress and Prospects（序列推荐系统：挑战、进程和前景）
#论文地址：https://www.researchgate.net/publication/337183009_Sequential_Recommender_Systems_Challenges_Progress_and_Prospects
#论文源码开源地址：暂无
#论文所属会议：IJCAI 2019
#论文所属单位： 上海理工大学、麦考瑞大学、悉尼科技大学

一、简介

序列推荐系统（sequential recommender system, SRS）与传统的推荐系统（协同过滤、基于内容的过滤）不同，传统的推荐系统,例如基于内容和协同过滤的推荐系统，以一种静态的方式建模用户和商品的交互并且只可以捕获用户广义的喜好。而相反地，SRSs则是将用户和商品的交互建模为一个动态的序列并且利用序列的依赖性来活捉当前和最近用户的喜好。

作者首先分析了SRS兴起的motivation，主要有三点：

1. 用户跟物品之间的互动是序列依赖的
   比如在上面的图中，Jimmy首先买了机票，然后准备订酒店，这时他定酒店的行为基本和他买机票的行为相关，会选择一个离机场不远的酒店。订完酒店以后，他租车的行为就会受到订酒店的影响，Jimmy很有可能选择一个取车地点离酒店比较近的租车行。所以，在这一系列互动中，Jimmy每一个行为都依赖于之前产生的行为。这种依赖关系在交易数据中是非常常见的。
2. 用户的兴趣与物品的流行程度都是动态变化的
   这很容易理解，就比如笔者以前喜欢用iPhone，现在喜欢用华为；诺基亚的手机以前非常流行，现在却已经很少见了……这些动态的变化只有依靠SRS才能够有效地捕捉。
3. 用户-物品的互动通常在特定的序列上下文环境中产生
   不同的上下文会催生出不同的用户行为。就比如说在刷抖音的时候，如果突然刷到一个很感兴趣的视频，我很有可能会给它点赞，但是如果我点赞了一些差不多的视频后，还继续给我推荐，那我很可能因为腻烦直接划走。SRS在丰富推荐结果、避免同质化的任务上比传统推荐系统更容易做到。

接下来，作者明确了序列化推荐的形式，即序列化推荐系统由最大化下面的函数得到：