Recommender Systems Foundations: 解释序列推荐与用户行为建模。

Core Concept: 用用户的行为序列（点击/购买的时间顺序）建模兴趣演化；方法：GRU4Rec（RNN）、SASRec（自注意力）、BERT4Rec（双向）。

数学机理：<strong>序列推荐的设定</strong>——(1) <strong>输入</strong>——用户的<strong>行为序列</strong>（按时间排序的物品列表）：i_1, i_2, …, i_t；(2) <strong>目标</strong>——预测下一个物品：p(i_{t+1}|i_1,…,i_t)。<strong>为什么需要</strong>——(a) <strong>兴趣演化</strong>（用户兴趣随时间变化）；(b) <strong>短期意图</strong>（'刚看了相机 → 可能想看镜头'）；(c) <strong>会话内的一致性</strong>（同一会话的行为相关）；(d) <strong>静态 MF 的局限</strong>（只建模'长期偏好'，忽略顺序与时序）。<strong>主要方法</strong>——(a) <strong>GRU4Rec（2016）</strong>——用 <strong>GRU（RNN）</strong> 建模序列；<strong>优点</strong>——(i) 天然处理顺序；(ii) 可流式（增量更新隐状态）；<strong>缺点</strong>——(i) 长序列的梯度问题；(ii) 串行（训练慢）。(b) <strong>SASRec（2018）</strong>——用<strong>因果自注意力</strong>（Transformer decoder 风格）建模序列；<strong>优点</strong>——(i) 可并行训练；(ii) 长程依赖（注意力直接连接）；(iii) 可解释（注意力权重）；<strong>缺点</strong>——需更多数据。(c) <strong>BERT4Rec（2019）</strong>——用<strong>双向注意力 + 掩码</strong>（Cloze 任务：随机掩码序列中的物品、预测它）；<strong>优点</strong>——双向上下文（比因果更强）；<strong>缺点</strong>——(i) 不能直接做'下一个物品预测'（需用掩码预测的方式）；(ii) 推理时的'泄漏'风险需处理。(d) <strong>其他</strong>——(i) <strong>序列 + 侧信息</strong>（物品类别/时间间隔）；(ii) <strong>多序列</strong>（不同类型的序列：点击序列/购买序列）；(iii) <strong>图神经网络</strong>（序列 + 物品关系图）。<strong>关键设计</strong>——(a) <strong>位置编码</strong>（序列顺序）；(b) <strong>时间间隔</strong>（'3 秒前看'与'3 天前看'权重不同）；(c) <strong>序列长度</strong>（截断策略：保留最近 N 个）；(d) <strong>物品嵌入共享</strong>（与'物品塔'共享嵌入）。<strong>与'双塔'的关系</strong>——(a) <strong>双塔</strong>——用户塔可输入'序列建模的输出'（如 SASRec 的隐状态）作为用户表示；(b) 这样'序列推荐'可作为<strong>召回</strong>（用 ANN 检索）；(c) 这是工业界的主流做法（序列编码 → 用户向量 → ANN 召回）。<strong>评估</strong>——(a) <strong>HR@k（Hit Rate）</strong>——目标物品是否在 top-k；(b) <strong>NDCG@k</strong>；(c) <strong>MRR</strong>。<strong>实践建议</strong>——(a) <strong>有序列数据就用序列模型</strong>（优于静态 MF）；(b) <strong>SASRec 是实用首选</strong>（可并行、效果好）；(c) <strong>加时间间隔特征</strong>（提升效果）；(d) <strong>序列编码接入双塔做召回</strong>；(e) <strong>注意序列长度与截断</strong>；(f) <strong>在线增量更新</strong>（会话内实时）。<strong>度量</strong>——(a) HR@k/NDCG@k；(b) 在线 CTR/时长；(c) 延迟。

深度剖析与工程权衡：① <strong>'兴趣演化 + 短期意图'是序列推荐的价值</strong>——静态 MF 只建模长期偏好；面试中能指出这一点是深度理解的标志。② <strong>'SASRec 可并行、效果好'</strong>——它是实用首选（相比 GRU4Rec 的串行）。③ <strong>'BERT4Rec 的双向与泄漏问题'</strong>——双向更强但需处理'推理时的泄漏'（用掩码预测而非直接预测下一项）。④ <strong>'时间间隔特征很有效'</strong>——'3 秒前看'与'3 天前看'的权重应不同；这是提升效果的实用技巧。⑤ <strong>'序列编码接入双塔'</strong>——这是工业界把序列推荐用于<strong>召回</strong>的主流做法。⑥ <strong>面试要点</strong>——被问'序列推荐怎么做'，应给出'<strong>输入行为序列 + 预测下一个（GRU4Rec/SASRec/BERT4Rec）+ 时间间隔 + 接入双塔召回</strong>'与'<strong>兴趣演化与短期意图</strong>'；能指出'BERT4Rec 的泄漏问题'是深度理解的标志。