序列推荐系统是一种推荐算法，它关注用户交互的顺序来预测未来的行为。与将用户行为视为一组静态偏好的传统方法不同，这些系统分析一系列按时间顺序排列的动作（如点击、购买或观看）以识别随时间变化的模式。例如，在电商环境中，序列模型可能会预测，购买智能手机后购买手机壳的用户接下来更有可能购买屏幕保护膜，而不是不相关的物品。这种方法在交互的时间和顺序很重要的情况下特别有用，例如音乐流媒体平台根据收听历史推荐歌曲，或视频服务建议系列中的下一集。
这些系统通常使用专门处理时间依赖性的机器学习模型来处理用户交互序列。常见的技术包括循环神经网络（RNN）、长短期记忆网络（LSTM）或基于 Transformer 的架构，如 SASRec（自注意力序列推荐）。例如，模型可能会接收用户的一系列电影评分——["电影 A", "电影 B", “电影 C”]——并将每个项目编码为一个向量，然后使用注意力机制来衡量过去每次交互的重要性，以便预测“电影 D”作为下一个推荐。训练通常涉及在给定先前项目的情况下最大化序列中下一个项目的可能性，使用交叉熵等损失函数。开发者可以通过将用户历史记录分割成滑动窗口（例如，最近的 10 次交互）来预处理数据，以创建用于训练的输入-目标对。
实际应用包括基于会话的推荐（例如，在购物会话期间推荐产品）或社交媒体中的个性化内容 Feed。然而，挑战也存在。高效处理长序列会消耗大量计算资源，导致模型复杂性和延迟之间的权衡。例如，Transformer 的计算量随序列长度呈平方级增长，对于非常长的历史记录来说成本很高。数据中的噪声（如意外点击）也可能扭曲预测，需要鲁棒的预处理或抗噪声的架构。此外，冷启动场景（例如，历史记录很少的新用户）可能需要结合序列和非序列信号的混合方法。尽管存在这些障碍，但序列模型在行业中被广泛采用，因为它们比静态方法更能准确地捕捉不断变化的用户偏好。