论文
登录后可查看剩余解析次数。
标签筛选
序列推荐系统
ReaSeq: Unleashing World Knowledge via Reasoning for Sequential Modeling
发表：2025/12/25
基于大语言模型的推荐系统序列推荐系统链式思维推理多模态大语言模型知识驱动推荐优化
ReaSeq框架通过利用大规模语言模型中的世界知识，解决了传统推荐系统的知识贫乏和用户兴趣盲点问题。它通过多智能体合作的显式推理，将结构化产品知识转化为丰富的物品表示，同时利用扩散语言模型进行隐式推理。该系统在淘宝部署后实现了IPV提升超过6.0%、订单提升超过2.9%、GMV提升超过2.5%的显著效果，验证了其有效性。
03
Disentangled Self-Supervision in Sequential Recommenders
发表：2020/8/20
序列推荐系统自监督学习序列到序列训练意图分离未来行为序列重构
本论文提出了一种基于潜在自监督和解耦的序列到序列训练策略，以解决传统序列推荐系统中目光短浅和推荐缺乏多样性的问题。通过重构用户的未来行为序列并解耦意图，实验显示该方法在真实和合成数据集上显著提升了推荐性能。
01
Wavelet Enhanced Adaptive Frequency Filter for Sequential Recommendation
发表：2025/11/10
序列推荐系统自适应频域滤波小波变换特征增强动态用户偏好建模频域分析方法
本研究提出了一种新颖的Wavelet Enhanced Adaptive Frequency Filter (WEARec)用于序列推荐，通过动态频域滤波和小波特征增强克服现有频域方法的限制。这一方法能够个性化地提取用户的动态偏好，并有效重构模糊的非平稳信号，从而提升长序列推荐的性能与效率，实验证明其优越性。
05
DiffuRec: A Diffusion Model for Sequential Recommendation
发表：2023/4/3
扩散模型序列推荐不确定性注入基于分布的物品表示序列推荐系统生成式推荐系统
本文首次将扩散模型应用于序列推荐，提出DiffuRec，以分布形式建模物品表示，从而灵活反映用户多重兴趣和物品多样化特性。通过噪声添加，目标物品嵌入被转化为高斯分布，促进了不确定性注入和物品表示重建，实验证明效果显著。
02
Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation
发表：2025/3/29
序列推荐系统推理时间计算框架隐式多步推理用户表示增强轻量级推理学习方法
本文提出了ReaRec，一个创新的推理时计算框架，旨在提高序列推荐系统的用户表示能力。通过隐式多步推理和特殊位置嵌入，ReaRec克服了传统方法在理解用户偏好和长尾物品方面的局限。实验证明，其性能提升显著，具有广泛的应用潜力。
03
The Best of the Two Worlds: Harmonizing Semantic and Hash IDs for Sequential Recommendation
发表：2025/12/11
序列推荐系统语义ID与哈希ID结合长尾问题缓解方法多层次语义建模推荐系统知识转移策略
本文提出了一种新颖的HRec框架，旨在解决传统序列推荐系统中的长尾问题。通过协调语义ID(SID)与哈希ID(HID)，该框架采用双分支建模架构，捕捉SID的多粒度语义，同时保留HID的唯一协同身份，并引入双层对齐策略以促进知识迁移。
05
Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals
发表：2025/10/8
多模态生成推荐系统协同信号与语义信号融合自监督量化学习序列推荐系统DINO框架
本文提出了一种新的生成式推荐系统MSCGRec，旨在克服现有序列推荐系统的局限性。通过融合多种语义模态和协同特征，利用DINO框架的自监督量化学习，MSCGRec实现了更优的推荐性能。实证研究表明，该方法在三大真实数据集上表现优于传统基线，验证了各组件的有效性。
01
Inductive Generative Recommendation via Retrieval-based Speculation
发表：2024/10/4
生成式推荐系统无训练加速方法在线推荐系统优化序列推荐系统图像生成
本文提出了，一种基于检索的归纳式生成推荐框架，旨在弥补生成式推荐模型在推荐未见物品时的不足。通过引入具有归纳能力的草拟模型来提出候选物品，并由生成式模型进行验证，显著提升了推荐精准度和性能。
03
Masked Diffusion for Generative Recommendation
发表：2025/11/28
生成式推荐系统标签扩散模型语义ID建模序列推荐系统自回归建模
本文提出了一种新的生成式推荐方法——掩蔽扩散生成推荐（MADRec），通过离散掩蔽噪声对用户交互序列中的语义ID（SID）进行建模。该方法克服了传统自回归模型高推理成本及低数据利用效率的问题，实验表明MADRec在性能上优于自回归模型，尤其在数据受限和粗粒度召回场景中表现显著。
010
FICLRec: Frequency enhanced intent contrastive learning for sequential recommendation
发表：2025/6/11
序列推荐系统频率增强意图对比学习用户购买行为建模数据稀疏性问题真实世界推荐数据集
本文提出了一种名为FICLRec的频率增强意图对比学习推荐模型，旨在解决现有序列推荐系统中低频意图偏好与高频意图捕获不足的问题。FICLRec通过利用用户潜在意图的频率信息和频率对比学习技术，显著提高了模型在五个真实数据集上的推荐性能，证明了其有效性。
04
Breaking the Bottleneck: User-Specific Optimization and Real-Time Inference Integration for Sequential Recommendation
发表：2025/8/3
序列推荐系统用户特定优化实时推理集成KL 散度优化深度学习序列方法
该论文针对序列推荐（SR）中的性能瓶颈问题，提出用户专属优化方法，针对每个用户独立分析其行为序列，并引入实时推理集成，以提升推理效率和模型稳定性。通过KL散度优化实现个别序列学习，从而克服固定数据集中的性能限制。
08
Generative Sequential Recommendation with GPTRec
发表：2023/6/20
序列推荐系统基于大语言模型的推荐系统GPT-2架构推荐模型子ID分词算法Next-K生成式推荐策略
本文提出基于GPT2的GPTRec生成式序列推荐模型，采用SVD子ID词元化减少大词汇表问题，并引入NextK生成策略优化推荐列表的复杂目标。实验表明，GPTRec在MovieLens1M上推荐质量与SASRec相当，嵌入表规模缩小40%。
03
TV-Rec: Time-Variant Convolutional Filter for Sequential Recommendation
发表：2025/10/29
序列推荐系统时变卷积滤波器用户行为序列建模图信号处理推荐系统推理加速
本文提出TVRec，一种基于图信号处理的时变卷积滤波器，替代传统固定滤波器和自注意力机制，捕捉用户行为中位置依赖的时间变化。该方法提升表达能力，减少计算量，加速推理，在六个公开数据集上平均性能提升7.49%。
09
R4ec: A Reasoning, Reflection, and Refinement Framework for
Recommendation Systems
发表：2025/7/23
生成式推荐系统大语言模型强化学习训练序列推荐系统基于大语言模型的推荐系统推理反思与精炼框架
本文提出R4ec框架，结合推理、反思和精炼，引入行动者模型和反思模型迭代优化推荐结果，实现类似系统2的思维方式。实验证明该方法在多个公开数据集及大规模广告平台中提升推荐性能及收益。
03