序列推荐是什么？根据你刚才看了什么来推荐下一个

序列推荐系统（Sequential Recommender）是根据用户的历史行为序列来预测下一个行为的推荐系统。它试图理解和建模用户行为的时间顺序、用户与物品之间的交互，以及这些因素如何随时间变化，从而更准确地推荐符合用户当前和近期偏好的内容。

为什么要考虑顺序

传统的推荐方法，比如协同过滤，主要看用户总体上喜欢什么，把用户的历史行为当成一个没有先后顺序的集合。但用户的兴趣是动态变化的，而且行为之间往往有明显的先后关系。比如在电商平台上，一个用户先买了一部手机，接下来很可能会买手机壳、钢化膜和充电器，而不是再买一部手机；一个用户最近一直在看露营装备，说明他近期在计划露营，即使他过去一年主要买的是数码产品。只看总体偏好，就会错过这些重要的时序信号。序列推荐正是要捕捉“刚才做了什么、接下来可能做什么”的规律。

技术演进

早期的方法基于马尔可夫链：认为下一个行为主要取决于前一个或前几个行为，统计物品之间的转移概率。深度学习兴起后，循环神经网络被用来建模较长的行为序列，代表方法是 GRU4Rec。之后，卷积神经网络、注意力机制也被引入。2018 年前后，基于自注意力的 SASRec 和借鉴 BERT 的 BERT4Rec 等模型，用 Transformer 来捕捉序列中长距离的依赖关系，效果显著提升，成为序列推荐的主流基线。

近年来，研究者开始尝试用大语言模型来做推荐：把用户的行为序列写成文字，让大模型理解用户的意图并给出推荐；也出现了生成式推荐的思路，像生成文字一样直接生成下一个物品的编号。各大互联网公司也在探索参数规模更大的推荐模型，借鉴大模型的扩展规律。

应用和挑战

序列推荐广泛应用于电商的“猜你喜欢”、短视频和信息流的下一条内容推荐、音乐的下一首歌、视频网站的“接下来播放”、新闻推荐等场景。它面临的挑战包括：用户行为数据中有很多随机和噪声行为；同一个用户可能同时有多种兴趣；新用户和新物品缺少历史数据；以及需要在极短的时间内为海量用户实时地给出推荐。