.png){kind=icon}
返回
A survey on multi-behavior sequential recommendation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11432-024-4568-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人们通常有明确或隐含的需求，希望从海量信息中获取他们所需且最感兴趣的信息，这促成了个性化推荐系统的创建。推荐系统旨在解决传统信息检索系统（如搜索引擎）中的信息过载问题，并已成为一个重要的研究领域，专注于向用户推荐最感兴趣的信息。人与系统交互的行为具有顺序性，例如在检查其他商品之前先检查一件服装。将这种顺序性纳入考虑，以揭示用户在推荐过程中兴趣动态变化的问题被称为序列推荐（SR）。传统的SR问题仅关注用户的单一行为类型，而在实际场景中，用户往往涉及多种行为类型，例如在购买服装之前先查看并加入购物车。引入多种行为类型可以更全面地揭示用户的行为模式，从而提出了多行为序列推荐（MBSR）。MBSR同时考虑用户行为的顺序性和异质性，可通过适当的建模实现最先进的推荐性能。目前已有一些与MBSR相关的研究，据我们所知，尚无相关综述介绍和分类这些MBSR研究。因此，本综述旨在阐明MBSR这一相对新颖且值得深入研究的方向。首先，我们详细介绍MBSR，包括其问题定义、应用场景及面临的挑战。其次，我们详细分类MBSR方法，包括传统方法和基于深度学习的方法，其中前者包含基于邻域的方法和基于矩阵分解的方法，后者可根据循环神经网络（RNN）、图神经网络（GNN）、Transformer和通用架构，以及集成混合技术的架构进行分类。在每种方法中，我们从数据角度和建模角度介绍相关研究，分析这些研究的优势、劣势和特点，并进一步在两个真实数据集上对各种方法进行实验，与经典和最新的研究进行比较，以展示这些方法的推荐性能差异。最后，我们讨论一些有前景的未来研究方向，以应对挑战并提升MBSR的当前水平。
Keyword:
multi-behavior sequential recommendation
matrix factorization
RNN
GNN
Transformer
期刊
IF:
7.6
论文数:
4.9K
被引数:
8.9K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏FLAG: A Feedback-aware Local and Global Model for Heterogeneous Sequential RecommendationFLAG: 一种反馈感知的局部和全局异构顺序推荐模型
PREAI
分享收藏分享收藏Multi-Sequence Attentive User Representation Learning for Side-information Integrated Sequential Recommendation多序列注意力用户表示学习：面向侧信息整合的序列推荐
PREAI
分享收藏
查看更多内容