摘要

尽管现有的监督学习和自监督学习增强的序列推荐（SeRec）模型通过强大的神经网络架构已经取得了性能的提升，但我们认为它们仍然存在两个局限性：(1) 偏好漂移，即在过去的训练数据上训练的模型难以适应用户偏好随时间的变化；(2) 隐式记忆，即头部模式主导参数学习，使得长尾项目的召回更加困难。在这项工作中，我们探索了在序列推荐中引入检索增强的方法，以解决这些局限性。具体而言，我们提出了一种检索增强的序列推荐框架，命名为RaSeRec。该框架的主要思想是维护一个动态记忆库，以适应偏好变化并显式地检索相关记忆来增强用户建模。该框架包含两个阶段：(i) 基于协同过滤的预训练阶段，该阶段学习推荐和检索；(ii) 检索增强的微调阶段，该阶段学习利用检索到的记忆。我们在三个数据集上进行了广泛的实验，充分证明了RaSeRec的优越性和有效性。实现代码可在https://github.com/HITsz-TMG/RaSeRec 获取。