AI 词汇表
人工智能完整词典
序列推荐
一种推荐系统方法，它建模用户交互的时间顺序以预测未来的兴趣。与传统方法不同，它捕捉时间依赖性和偏好的演变。
基于会话的推荐
序列推荐的一个子领域，专注于单个用户会话内的交互。它不需要长期历史记录，而是基于即时行为生成相关推荐。
马尔可夫决策过程
一种用于序贯决策的正式数学模型，其中未来状态仅取决于当前状态和采取的行动。应用于推荐系统以建模项目之间的转换。
GRU4Rec
基于门控循环单元(GRU)的循环神经网络架构，专门为基于会话的推荐而设计。它使用注意力机制和采样技术来提高在序列数据上的性能。
BERT4Rec
从BERT架构改编的序列推荐模型，使用双向transformer捕获上下文依赖。它应用项目掩码作为预训练任务来学习鲁棒的序列表示。
基于Transformer的推荐
使用Transformer架构捕获交互序列中长距离依赖的一类模型。这些模型通过多头注意力机制超越了传统RNN。
序列模式挖掘
从用户事务序列中提取频繁有序模式的过程。这些模式作为理解典型行为和基于观察趋势生成推荐的基础。
下一项目预测
序列推荐的基本任务，即预测用户可能与之交互的下一个项目。它作为大多数现代序列模型的训练目标。
时间动态
用户偏好随时间演变的现象，需要能够捕捉这些渐进性变化的模型。序列推荐系统整合这些动态变化以保持建议的相关性。
用户会话建模
将会话内用户交互表示为有意义的有序序列的技术。它能够捕捉短期意图和浏览上下文，用于即时推荐。
序列嵌入
保持交互序列信息和上下文的项目或用户向量表示。这些嵌入同时捕捉内在特征和项目之间的时间关系。
SASRec
自注意力序列推荐，是仅使用注意力机制进行序列推荐的先锋模型。它有效地捕获长距离依赖关系，而不受传统RNN的限制。
NARM
神经注意力推荐机，是结合RNN和注意力机制的基于会话推荐模型。它同时捕获全局序列行为和当前会话的主要意图。
STAMP
短期注意力/记忆优先模型，是专注于最后交互的基于会话推荐的架构。它使用注意力来加权短期记忆中不同项目的重要性。
时间感知推荐
将时间信息（时间戳、持续时间、周期）明确整合到推荐模型中的方法。它通过捕捉时间模式和交互的新近性来提高准确性。
序列冷启动
序列系统在为没有或很少有历史记录的新用户或项目进行推荐时面临的特殊挑战。解决方案包括迁移学习和基于会话的模型来缓解这个问题。
基于图神经网络的序列推荐
一种使用图神经网络来建模序列中项目间复杂关系的方法。它能有效捕捉序列数据中的状态转换和隐含的图结构。
分层序列建模
一种在多个抽象层次（会话、天、周）上对序列进行建模的技术，用于捕捉不同时间尺度上的模式。它允许对用户行为进行更细致的理解。
对比序列学习
一种使用对比学习来改进序列表示的学习范式，通过最大化同一序列的正视图之间的相似度来实现。它增强了模型对噪声和稀疏数据的鲁棒性。