顺序推荐系统（SRS）的新兴主题近年来引起了越来越多的关注。与传统的推荐系统（RS）包括协作过滤和基于内容的过滤不同，SRS尝试了解并建模顺序用户行为，用户与项目之间的交互以及用户偏好和项目受欢迎程度随时间的演变。 SRS涉及以上方面，以更精确地表征用户上下文，意图和目标以及项目消费趋势，从而产生更准确，定制和动态的建议。在本文中，我们对SRS进行了系统的综述。我们首先介绍SRS的特征，然后对本研究领域中的关键挑战进行归纳和归类，其次是相应的研究进展，包括该主题的最新进展和代表性发展。最后，我们讨论了这个充满活力的领域的重要研究方向。
1简介
顺序推荐系统（SRS）通过主要对序列中的用户项交互（例如，在在线购物平台上查看或购买项目）进行建模，从而建议用户可能感兴趣的项目[27]。传统的推荐系统（RS），包括基于内容的协作过滤RS，都以静态方式对用户项目互动进行建模，并且只能捕获用户的一般偏好。相反，SRS将用户-项目交互视为动态序列，并考虑到顺序依赖性，以捕获用户当前和最近的偏好以获得更准确的推荐[1]。为了增强对SRS的理解，接下来我们介绍SRS的动机和形式化。
动机：为什么采用顺序推荐系统？
用户项目交互本质上是顺序相关的。在现实世界中，用户的购物行为通常是按顺序而不是孤立的方式连续发生的。以图1所示的吉米（Jimmy）购物事件为例，在吉米（Jimmy）开始休假之前，他预订了机票和旅馆，并先后租了车，他的下一个动作可能是通过自动驾驶游览一个旅游胜地。在这种情况下，酒店可能靠近航班的目的地机场，而接送租来的汽车的位置可能离酒店不远。在这种情况下，吉米接下来的每个动作都取决于先前的动作，因此所有四个消耗动作都是顺序相关的。同样，在蒂娜的案例中，我们可以看到顺序依赖性。这种类型的顺序依赖关系通常存在于交易数据中，但不能被常规的基于内容的RS或协作过滤RS很好地捕获[12]，这从根本上促进了SRS的发展。
用户的偏好和商品的受欢迎程度都是随着时间变化的，而不是静态的。实际上，用户的喜好和品味可能会随着时间而改变。例如，许多曾经是iPhone粉丝的年轻人现在已经转变为华为或三星生产的手机的粉丝，并且iPhone的受欢迎程度近年来一直在下降。这种动态变化对于准确地对用户或物品进行性能分析以提供更准确的建议非常重要，并且只能由SRS捕获。
用户项目交互通常在一定顺序的上下文中发生。不同的上下文通常会导致不同的用户与项目进行交互，但是传统协作支持之类的传统RS通常会忽略这些交互。相反，SRS将先前的顺序交互作为上下文来预测在不久的将来将交互的项目。结果，通过避免重复推荐与已经选择的项目相同或相似的那些项目，使推荐结果多样化更加容易。
形式化：什么是顺序推荐系统？
通常，SRS将一系列用户项目交互作为输入，并通过对嵌入在用户项目交互序列中的复杂顺序依赖关系进行建模，来尝试预测在不久的将来可能发生的后续用户项目交互。更具体地，给定一系列用户-项目交互，通过使效用函数值（例如，可能性）最大化来生成由排名最高的候选项目组成的推荐列表：
R = arg max f（S）（1）其中，f是输出候选项目排名得分的效用函数，它可以采用多种形式，例如条件概率[19]或交互得分[11]。 。 S = {i1，i2，...，i | S |}是一系列用户-项目交互，其中每个交互ij = <u，a，v>是一个由用户u，用户的动作a，在某些情况下，用户和商品与某些元数据（例如，人口统计信息或功能）相关联，而动作可能具有不同的类型（例如，点击，添加到购物车，购买）并发生在各种情况下（例如时间，位置，天气）。输出R是按排名分数排序的项目列表。
由于序列通常由原子元素（例如，真实值，基因）组成，因此与常规序列建模相比，序列结构要简单得多，SRS中的学习任务更具挑战性，因为序列结构更复杂（例如， ，每个元素都是三元组）。这促使我们系统地分析SRS中的挑战并总结相应的进展。贡献。这项工作的主要贡献概述如下：
•我们系统地分析了SRS中不同数据特征引起的许多关键挑战，并从数据驱动的角度对它们进行了分类，这为深入理解SRS的特征提供了新的视角。
•我们通过从技术角度对最新作品进行系统分类，总结了SRS的当前研究进展。
•我们分享并讨论了SRS的一些前景，以供社区参考。
2数据特征和挑战
由于现实世界中顾客购物行为，商品特征和特定购物环境的多样性和复杂性，生成的用户项目交互数据通常具有不同的特征。如表1所示，不同的数据特征本质上给SRS带来了不同的挑战，需要不同的解决方案，如表1所示。在以下五个小节中，我们分别讨论了由不同的数据特征导致的SRS的五个关键挑战。在每个小节中，我们首先介绍特定的数据特征，然后说明相应的挑战。
2.1处理较长的用户项
交互序列较长的用户项交互序列由相对大量的用户项交互组成。结果，它对内部的多个交互具有更复杂，更全面的依赖性的机会要大得多，这使得顺序建议更具挑战性。具体地，长用户-项目交互序列中的两个最关键的挑战是学习高阶顺序依赖关系和学习长期顺序依赖关系，这将在下面分别介绍。学习高阶顺序依赖。 Higherorder顺序依赖性通常存在于用户项交互序列中，尤其是在较长的序列中。与低阶顺序相关性相比，后者相对简单，可以通过马尔可夫链模型[3]或分解机[14; [10]，高阶顺序依存关系更加复杂，更难于捕获，因为它们复杂的多级级联依存关系跨越多个用户项目交互。到目前为止，据报道，主要有两种基本方法可以在一定程度上解决SRS中的这一挑战：高阶马尔可夫链模型[6]和递归神经网络（RNN）[7]，如表1所示。 ，每种方法都有其自身的局限性，例如，高阶马尔可夫链模型可能涉及的历史状态非常有限，因为要估计的模型参数数量随阶次呈指数增长，而过强的RNN中使用的顺序假设限制了RNN在具有灵活顺序的序列中的应用。两种方法所取得的技术进步将分别在第3.1节和第3.3节中详细介绍。学习长期的顺序依赖性。长期顺序依赖性是指在序列中彼此远离的交互之间的依赖性。例如，给定购物顺序S1 = {玫瑰，鸡蛋，面包，一瓶牛奶，花瓶}，其由一篮子由用户珍妮特连续购买的物品组成。显然，花瓶和玫瑰虽然彼此相距甚远，但却高度依赖。这种情况在现实世界中并不罕见，因为用户的行为通常高度不确定，因此可能会将任何物品放入购物车。
为了解决这一关键问题，在SRS中应用了基于长期短期记忆（LSTM）的[21]和基于门控循环单元（GRU）的[7] RNN来捕获用户项目交互之间的长期依赖性。按顺序。但是，通过过度假设序列中的任何相邻项都是高度相关的，RNN模型很容易生成错误的相关性。在上述珍妮特的购物顺序示例中，RNN通常通过假设牛奶和花瓶之间的距离很近而对S1进行建模，但实际上它们之间没有关系。通过利用混合模型的优势，将具有不同时间范围的多个子模型组合在一起，以捕获统一模型中的短期和长期依赖性，已经做出了其他一些努力来解决这一问题[15]。总体而言，能够解决这一挑战的工作非常有限，需要进行更多的研究以弥合这一差距。 RNN和混合模型中取得的技术进步将在第3.3节中介绍。
2.2以灵活的顺序处理用户-项目交互序列
在现实世界中，某些用户-项目交互序列是严格排序的，而其他用户/项目交互序列可能不是严格排序的，即，并非所有相邻交互都依序依赖序列[4]。例如，在购物顺序S2 = {牛奶，黄油，面粉}中，先购买牛奶还是黄油都没有关系，但是同时购买这两种商品会导致随后购买面粉的可能性更高；即，牛奶和黄油之间没有严格的顺序，但是面粉顺序取决于它们的结合。因此，对于具有灵活顺序的序列，捕获集体顺序依赖关系要好得多，而不是逐点依赖关系，因为前者是模糊的，并且不对用户项交互采取严格的顺序。结果，如何在假设有弹性顺序的情况下捕获集体顺序依存关系成为处理SRS中具有弹性顺序的序列的关键挑战。
尽管普遍且重要，但已报道的SRS研究并未对此问题给予足够的重视。现有的基于马尔可夫链，分解机或RNN的SRS只能处理逐点依存关系，但不擅长建模和捕获集体依存关系。只有极少数作品，例如[17; [26]已经尝试通过利用卷积神经网络（CNN）的强度来解决这一挑战，以对“图像”中不同区域之间的局部和全局依赖性进行建模，即一系列交互的嵌入矩阵。在基于CNN的SRS中取得的技术进展将在第15节中介绍。
2.3处理带有噪声的用户项交互序列
由于用户购物行为的不确定性，大多数用户-项目交互序列都不干净，这意味着它们可能包含一些嘈杂且无关的交互，这些交互会干扰下一个交互预测。在实践中，在用户-项目交互序列中，某些历史交互与下一次交互密切相关，而其他历史交互则可能微弱相关，甚至不相关。例如，在另一个购物序列S3 = {培根，玫瑰，鸡蛋，面包}中，商品“玫瑰”可能是嘈杂的商品，因为它与其他商品完全不同，并且与其他商品没有关联。下一个项目可能是一瓶很有可能的牛奶，它仅顺序地依赖于培根，鸡蛋和面包，而与玫瑰无关。因此，SRS中的另一个关键挑战是在带有噪声的用户项交互序列上专注并有区别地学习顺序依存关系。
相当多的工作试图通过使用注意力模型[19]或存储网络[1]来选择性地保留和利用那些与下一次交互预测真正相关的交互信息来解决这种典型问题。这些解决方案中取得的技术进步将在第3.3节中介绍。
2.4处理具有异构关系的用户项交互序列
异构关系是指传递不同类型信息的不同类型的关系，并且在SRS中应采用不同的模型。例如，在用户-项目交互序列中，除了基于用户-项目交互的广泛的基于出现的顺序依存关系之外，在交互项之间就其特征而言，还存在基于相似性的关系。此外，即使两者都是顺序依赖性，长期顺序依赖性也与短期依赖性非常不同，因此无法以相同的方式进行建模。因此，SRS中的另一个主要挑战是如何有效地捕获嵌入在用户-项目交互序列中的这些异构关系，以及在处理与异构关系相关的用户-项目交互序列时，如何使它们协同工作以实现顺序推荐。
为解决SRS中的这一挑战，文献报道的工作非常有限。混合物模型[12； 15; 20]是迄今为止解决此类挑战的唯一解决方案。混合模型集成了由不同子模型建模的不同类型的关系，以协作生成顺序推荐。具体的技术进展将在第3.3节中介绍。
2.5处理具有层次结构的用户项交互序列
通常，主要有两种可以与用户-项目交互序列相关联的层次结构：（1）元数据和用户-项目交互之间的层次结构。具体来说，用户的受众特征可以在某种程度上确定用户的偏好，并可以进一步影响他们与商品的互动。同样，项目的功能通常会影响用户是否喜欢它们并进行交互[9]。 （2）子序列和用户-项目交互之间的层次结构。更具体地说，在一些SRS中，一个用户-项目交互序列包括多个子序列（也称为会话）。在这种情况下，除了当前子序列中的先前交互之外，历史子序列还可能影响当前子序列中要预测的下一个用户项交互[25]。因此，SRS中的另一个关键挑战是如何将嵌入在这两种层次结构中的层次依赖项合并到顺序依赖项学习中以生成更准确的顺序建议。
尽管有许多工作试图从某些方面解决这一挑战，但对其他一些方面的研究却很少。一方面，为了考虑项目特征对用户-项目交互的影响，已针对SRS提出了一系列功能丰富的神经模型，其中包括[9]。相比之下，在现有的SRS中很少考虑用户的人口统计影响，应朝这个方向做出更多的努力。另一方面，一些分层模型，包括分层嵌入模型[18]，分层RNN [13]和分层注意力网络[25]，已被设计为将历史子序列并入顺序依赖学习中，以构建更强大的SRS。特别是，将在第3.2节和第3.3节中介绍解决该挑战所取得的技术进步。
3 研究进展
为了概述SRS的技术进展并提供解决上述挑战的更多技术细节，我们在本节中从技术角度总结并简要讨论了SRS的研究进展。特别是，我们首先对来自SRS的所有方法进行分类然后从技术角度简要介绍每个类别的最新进展。
SRS方法的分类如图2所示。从技术的角度来看，我们观察到各种SRS方法首先被分类为11个原子类（例如，顺序模式挖掘，分解机和递归神经网络）。然后将所有这些原子类进一步分类为三个分类法，包括传统的序列模型，潜在表示模型和深度神经网络模型。一般而言，这三种分类法从简单到复杂变化，并陆续有报道。接下来，我们总结三种分类法中每一种的研究进展。
3.1 SRS的传统序列模型传统的序列模型
（包括顺序模式挖掘和马尔可夫链模型）是SRS的直观解决方案，它利用SRS的自然优势来对序列中用户项交互之间的顺序依赖性进行建模。
顺序模式挖掘。基于序列模式的RS首先在序列数据上挖掘频繁模式，然后利用挖掘的模式来指导后续建议。尽管简单直接，顺序模式挖掘通常会产生大量冗余模式，这会增加不必要的成本。时间和空间。另一个明显的缺点是，由于频率限制，它经常丢失那些不常见的样式和项目，从而将推荐结果限制在那些受欢迎的项目上。因此，除了代表性作品[24; 16]。
马尔可夫链模型。基于Markov链的RS采用Markov链模型对序列中的用户项交互进行转换建模，以预测下一次互动。根据所使用的特定技术，基于马尔可夫链的RS分为基于基本马尔可夫链的方法和基于潜在马尔可夫嵌入的方法。前者直接基于显式观测[3]计算转移概率，而后者首先将马尔可夫链嵌入欧氏空间，然后根据它们的欧氏距离计算相互作用之间的转移概率[2]。基于马尔可夫链的RS的缺点是显而易见的，即，一方面，由于马尔可夫属性，它们只能捕获短期依赖关系，而忽略长期依赖关系，因为它假定当前交互依赖于一个或多个仅最近的互动；另一方面，它们只能捕获逐点依赖性，而忽略用户项交互上的集体依赖性。因此，近年来，它们在SRS中的使用越来越少。
3.2 SRS的潜在表示模型
潜在表示模型首先学习每个用户或每个项目的潜在表示，然后利用所学习的表示来预测后续的用户项目交互。结果，在潜在空间中捕获了更多隐式和复杂的依赖关系，这对建议大有裨益。接下来，我们介绍两种属于该分类法的代表性模型。
分解机。基于分解机的SRS通常利用矩阵分解或张量分解将观察到的用户项交互分解为潜在的用户因子和建议项[14; 10]。与协同过滤（CF）不同，要分解的矩阵或张量由交互而不是CF中的等级组成。这样的模型很容易受到观测数据稀疏性的影响，因此无法实现理想的建议。
嵌入。基于嵌入的SRS通过将序列中的所有用户-项目交互编码到潜在空间中，从而为每个用户和每个后续项目学习潜在的表示。具体来说，有些作品将学习到的潜在表示作为网络的输入，以进一步计算用户与项目之间的互动得分或连续用户的行为[18; [19]，而其他作品直接利用它们来计算诸如欧几里得距离的度量作为交互得分[5]。该模型由于其简单性，效率和功效，近年来已显示出巨大的潜力。
3.3 SRS的深层神经网络模型
深层神经网络[23]具有按顺序建模和捕获不同实体（例如，用户，项目，交互）的全面关系的自然力量，因此在过去几年中它们几乎主导了SRS。 。 SRS的最新进展也属于该分类法。通常，此分类法可以分为两个子类：基于基本深度神经网络的SRS和基于深度神经网络并结合了一些高级模型的SRS。
基本的深层神经网络SRS最常用的深层神经网络是递归神经网络（RNN），原因是它们在序列建模中具有天然的优势，但也有缺陷。图2：从技术角度对SRS方法进行分类顺序推荐系统方法传统序列模型潜在表示模型深层神经网络模型顺序模式挖掘Markov链模型分解机器的嵌入基础深层神经网络高级模型递归神经网络卷积神经网络图神经网络注意模型内存网络混合模型最近，卷积神经网络（CNN）和图神经网络（GNN）也已应用于SRS中，以弥补RNN的缺陷。接下来，我们分别介绍建立在这三个深度神经网络之上的SRS。
基于RNN的SRS。给定一系列历史用户项交互，基于RNN的SRS尝试通过对给定交互上的顺序依存关系建模来预测下一个可能的交互。除了基本的RNN，还开发了longshort-term-memory（LSTM）-[21]和基于门控循环单元（GRU）的[7] RNN，以捕获序列中的长期依存关系。近年来，见证了基于RNN的SRS的繁荣发展，它们主导了基于深度学习的SRS甚至整个SRS的研究。除了基本的RNN结构，还提出了一些变体来捕获序列中更复杂的依赖项，例如分层RNN [13]。但是，RNN对于SRS并不是完美无缺的，存在以下两个方面的缺点：（1）由于过强的假设（序列中的任何相邻交互都必须是依赖项），因此容易产生伪造的依赖项，而在以下情况中可能并非如此。现实世界，因为序列中通常存在不相关或嘈杂的互动； （2）可能仅在忽略集体依赖性的情况下捕获逐点依赖性（例如，一些交互协作影响下一个依赖性）。
基于CNN的SRS。与RNN不同，给定一系列用户项交互，CNN首先将这些交互的所有嵌入放入一个矩阵中，然后将此类矩阵视为时间和潜在空间中的“图像”。最后，CNN使用卷积滤波器为后续推荐学习顺序模式，将其作为图像的局部特征。由于CNN对序列中的交互没有强大的顺序假设，并且它们学习“图像”中区域之间的模式而不是交互，因此，基于CNN的SRS可以弥补基于RNN的SRS的上述缺点在某种程度上。但是，由于CNN中使用的过滤器尺寸有限，因此基于CNN的SRS无法有效地捕获长期依赖关系，从而限制了它们的应用。典型的作品包括[17; 26]。
基于GNN的SRS。最近，随着GNN的快速发展，已经设计了基于GNN的SRS，以利用GNN来建模和捕获序列中用户项交互上的复杂转换。通常，在将每个序列映射到路径时，通过将每个交互作为图中的一个节点，首先在序列数据上构建有向图。然后，在图上学习用户或项目的嵌入，以在整个图上嵌入更复杂的关系[22]。这种方法充分利用了GNN的优势来捕获结构化关系数据集中的复杂关系。基于GNN的SRS通过揭示推荐项与相应顺序上下文之间的复杂关系，显示了提供可解释性推荐的巨大潜力。这种SRS仍处于早期阶段。
先进模型为了解决基于基本神经网络结构的SRS的局限性，通常将某些先进模型与某种类型的基本深层神经网络（例如RNN，CNN）组合在一起，以构建能够应对特定挑战的更强大的SRS。 。接下来，我们介绍SRS中常用的三种高级模型。
注意模型。注意模型通常用于SRS中，以按顺序强调那些真正相关和重要的交互，而对与下一次交互无关的那些交互轻描淡写。它们被广泛地整合到浅层网络[19]和RNN [25]中，以处理带有噪声的交互序列。
内存网络。内存网络被引入SRS中，以通过合并外部内存矩阵直接捕获任何历史用户项交互与下一个用户项交互之间的依赖关系。这样的矩阵使得有可能以更明确和动态的顺序存储和更新历史交互，从而提高模型的表达能力并减少那些不相关交互的干扰[1]。此外，一些作品结合了键值存储网络，以按顺序存储和更新交互项的相应知识库信息，以学习用于建议增强的属性级别偏好[11]。通常，存储网络已经显示出它们在SRS中的潜力，但是尚未得到足够的研究。
混合物模型。基于混合模型的SRS结合了不同的模型，这些模型擅长捕获各种依赖关系，从而增强了整个模型捕获各种依赖关系以提供更好建议的能力。一个典型的例子是[15]，它结合了分别适合于短期和长期依赖性的不同种类的编码器，以学习用于后续建议的更精确的序列表示，并且已经证明是非常有效的。但是，此类模型尚处于早期阶段。
4开放的研究方向
近年来，尤其是最近三年，见证了顺序推荐系统的快速发展，以及深度学习（尤其是循环神经网络）的繁荣。在对本文中的研究实践进行分类和总结时，我们确定了下面讨论的进一步的开放研究方向。
上下文感知顺序推荐系统。用户或项目所在的当前上下文可能会极大地影响用户对项目的选择，在进行推荐时应予以考虑。由于上下文可能随时间变化，因此这在SRS中甚至更为必要。但是，大多数现有的SRS都忽略了这一重要方面。因此，上下文感知的SRS将成为未来工作的重要方向。
具有社会意识的顺序推荐系统。用户生活在一个社会中，并与在线和离线的各种人保持联系。他人的行为或意见通常会极大地影响用户的选择。因此，在SRS中需要考虑社会影响力，这在现有工作中通常被忽略。
交互式顺序推荐系统。现实世界中的大多数购物行为都是连续的，而不是孤立的事件。换句话说，用户和购物平台（例如，亚马逊）之间实际上存在顺序的交互。但是，现有的SRS通常会忽略此类交互，而只能在单个时间步中为一项操作生成建议。如何整合用户与卖方的互动，从而产生多时的步骤建议，是一个很有前途的研究方向。
跨域顺序推荐系统。在现实世界中，用户在特定时间段内购买的商品通常来自多个域，而不是一个域。从本质上讲，来自不同域的项目之间存在一定的顺序依赖性，例如在购买汽车之后购买汽车保险。大多数SRS中都忽略了这种跨域顺序依存关系。因此，跨域SRS是通过利用来自其他域的信息和来自不同域的更多样化的推荐来生成更准确的推荐的另一个有前途的研究方向。
5结论
推荐系统（RS）是人工智能在我们日常生活中最直接，最实际的应用之一。在过去的三到五年中，顺序推荐系统（SRS）一直是RS领域的核心，因为它们提供了更智能，更优惠的推荐来满足我们的日常需求。我们希望，本摘要对RS研究领域中的SRS所面临的挑战和最新进展以及未来的发展方向进行了概述。
致谢这项工作得到了澳大利亚研究委员会发现项目DP180102378的部分支持。
References
[1] Xu Chen, Hongteng Xu, Yongfeng Zhang, and et al. Sequential recommendation with user memory networks.
In Proceedings of the 11th ACM International Conference on Web Search and Data Mining, pages 108–116, 2018.
[2] Shanshan Feng, Xutao Li, Yifeng Zeng, Gao Cong, and Yeow Meng Chee. Personalized ranking metric embedding for next new poi recommendation. In Proceedings of the 24th International Joint Conference on Artificial Intelligence, pages 2069–2075, 2015.
[3] Florent Garcin, Christos Dimitrakakis, and Boi Faltings. Personalized news recommendation with context trees. In Proceedings of the 7th ACM Conference on Recommender Systems, pages 105–112, 2013.
[4] Liang Hu, Longbing Cao, Shoujin Wang, Guandong Xu,Jian Cao, and Zhiping Gu. Diversifying personalized recommendation with user-session context. In Proceedings of the 26th International Joint Conference on Artificial Intelligence, pages 1858–1864, 2017.
[5] Ruining He, Wang-Cheng Kang, and Julian McAuley. Translation-based recommendation: A scalable method for modeling sequential behavior. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, pages 5264–5268, 2018.
[6] Ruining He and Julian McAuley. Fusing similarity models with markov chains for sparse sequential recommendation. In Proceedings of the 16th IEEE International Conference on Data Mining, pages 191– 200, 2016.
[7] Balazs Hidasi, Alexandros Karatzoglou, and et al.´ Session-based recommendations with recurrent neural networks. In Proceedings of the 4th International Conference on Learning Representations, pages 1–10, 2016.
[8] Shoujin Wang, Liang Hu, and Longbing Cao. Perceiving the next choice with comprehensive transaction embeddings for online recommendation. In Proceedings of the 15th Joint European Conference on Machine Learning and Knowledge Discovery in Databases, pages 285– 302, 2017.
[9] Balazs Hidasi, Massimo Quadrana, Alexandros Karat-´ zoglou, and Domonkos Tikk. Parallel recurrent neural network architectures for feature-rich session-based recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems, pages 241–248, 2016.
[10] Balazs Hidasi and Domonkos Tikk.´ General factorization framework for context-aware recommendations. Data Mining and Knowledge Discovery, 30(2):342– 371, 2016.
[11] Jin Huang, Wayne Xin Zhao, Hongjian Dou, Ji-Rong Wen, and Edward Y Chang. Improving sequential recommendation with knowledge-enhanced memory networks. In Proceedings of the 41st ACM SIGIR Conference on Research & Development in Information Retrieval, pages 505–514, 2018.