順序推薦系統（SRS）的新興主題近年來引起了越來越多的關注。與傳統的推薦系統（RS）包括協作過濾和基於內容的過濾不同，SRS嘗試了解並建模順序用戶行為，用戶與項目之間的交互以及用戶偏好和項目受歡迎程度隨時間的演變。 SRS涉及以上方面，以更精確地表征用戶上下文，意圖和目標以及項目消費趨勢，從而產生更准確，定制和動態的建議。在本文中，我們對SRS進行了系統的綜述。我們首先介紹SRS的特征，然后對本研究領域中的關鍵挑戰進行歸納和歸類，其次是相應的研究進展，包括該主題的最新進展和代表性發展。最后，我們討論了這個充滿活力的領域的重要研究方向。
1簡介
順序推薦系統（SRS）通過主要對序列中的用戶項交互（例如，在在線購物平台上查看或購買項目）進行建模，從而建議用戶可能感興趣的項目[27]。傳統的推薦系統（RS），包括基於內容的協作過濾RS，都以靜態方式對用戶項目互動進行建模，並且只能捕獲用戶的一般偏好。相反，SRS將用戶-項目交互視為動態序列，並考慮到順序依賴性，以捕獲用戶當前和最近的偏好以獲得更准確的推薦[1]。為了增強對SRS的理解，接下來我們介紹SRS的動機和形式化。
動機：為什么采用順序推薦系統？
用戶項目交互本質上是順序相關的。在現實世界中，用戶的購物行為通常是按順序而不是孤立的方式連續發生的。以圖1所示的吉米（Jimmy）購物事件為例，在吉米（Jimmy）開始休假之前，他預訂了機票和旅館，並先后租了車，他的下一個動作可能是通過自動駕駛游覽一個旅游勝地。在這種情況下，酒店可能靠近航班的目的地機場，而接送租來的汽車的位置可能離酒店不遠。在這種情況下，吉米接下來的每個動作都取決於先前的動作，因此所有四個消耗動作都是順序相關的。同樣，在蒂娜的案例中，我們可以看到順序依賴性。這種類型的順序依賴關系通常存在於交易數據中，但不能被常規的基於內容的RS或協作過濾RS很好地捕獲[12]，這從根本上促進了SRS的發展。
用戶的偏好和商品的受歡迎程度都是隨着時間變化的，而不是靜態的。實際上，用戶的喜好和品味可能會隨着時間而改變。例如，許多曾經是iPhone粉絲的年輕人現在已經轉變為華為或三星生產的手機的粉絲，並且iPhone的受歡迎程度近年來一直在下降。這種動態變化對於准確地對用戶或物品進行性能分析以提供更准確的建議非常重要，並且只能由SRS捕獲。
用戶項目交互通常在一定順序的上下文中發生。不同的上下文通常會導致不同的用戶與項目進行交互，但是傳統協作支持之類的傳統RS通常會忽略這些交互。相反，SRS將先前的順序交互作為上下文來預測在不久的將來將交互的項目。結果，通過避免重復推薦與已經選擇的項目相同或相似的那些項目，使推薦結果多樣化更加容易。
形式化：什么是順序推薦系統？
通常，SRS將一系列用戶項目交互作為輸入，並通過對嵌入在用戶項目交互序列中的復雜順序依賴關系進行建模，來嘗試預測在不久的將來可能發生的后續用戶項目交互。更具體地，給定一系列用戶-項目交互，通過使效用函數值（例如，可能性）最大化來生成由排名最高的候選項目組成的推薦列表：
R = arg max f（S）（1）其中，f是輸出候選項目排名得分的效用函數，它可以采用多種形式，例如條件概率[19]或交互得分[11]。 。 S = {i1，i2，...，i | S |}是一系列用戶-項目交互，其中每個交互ij = <u，a，v>是一個由用戶u，用戶的動作a，在某些情況下，用戶和商品與某些元數據（例如，人口統計信息或功能）相關聯，而動作可能具有不同的類型（例如，點擊，添加到購物車，購買）並發生在各種情況下（例如時間，位置，天氣）。輸出R是按排名分數排序的項目列表。
由於序列通常由原子元素（例如，真實值，基因）組成，因此與常規序列建模相比，序列結構要簡單得多，SRS中的學習任務更具挑戰性，因為序列結構更復雜（例如， ，每個元素都是三元組）。這促使我們系統地分析SRS中的挑戰並總結相應的進展。貢獻。這項工作的主要貢獻概述如下：
•我們系統地分析了SRS中不同數據特征引起的許多關鍵挑戰，並從數據驅動的角度對它們進行了分類，這為深入理解SRS的特征提供了新的視角。
•我們通過從技術角度對最新作品進行系統分類，總結了SRS的當前研究進展。
•我們分享並討論了SRS的一些前景，以供社區參考。
2數據特征和挑戰
由於現實世界中顧客購物行為，商品特征和特定購物環境的多樣性和復雜性，生成的用戶項目交互數據通常具有不同的特征。如表1所示，不同的數據特征本質上給SRS帶來了不同的挑戰，需要不同的解決方案，如表1所示。在以下五個小節中，我們分別討論了由不同的數據特征導致的SRS的五個關鍵挑戰。在每個小節中，我們首先介紹特定的數據特征，然后說明相應的挑戰。
2.1處理較長的用戶項
交互序列較長的用戶項交互序列由相對大量的用戶項交互組成。結果，它對內部的多個交互具有更復雜，更全面的依賴性的機會要大得多，這使得順序建議更具挑戰性。具體地，長用戶-項目交互序列中的兩個最關鍵的挑戰是學習高階順序依賴關系和學習長期順序依賴關系，這將在下面分別介紹。學習高階順序依賴。 Higherorder順序依賴性通常存在於用戶項交互序列中，尤其是在較長的序列中。與低階順序相關性相比，后者相對簡單，可以通過馬爾可夫鏈模型[3]或分解機[14; [10]，高階順序依存關系更加復雜，更難於捕獲，因為它們復雜的多級級聯依存關系跨越多個用戶項目交互。到目前為止，據報道，主要有兩種基本方法可以在一定程度上解決SRS中的這一挑戰：高階馬爾可夫鏈模型[6]和遞歸神經網絡（RNN）[7]，如表1所示。 ，每種方法都有其自身的局限性，例如，高階馬爾可夫鏈模型可能涉及的歷史狀態非常有限，因為要估計的模型參數數量隨階次呈指數增長，而過強的RNN中使用的順序假設限制了RNN在具有靈活順序的序列中的應用。兩種方法所取得的技術進步將分別在第3.1節和第3.3節中詳細介紹。學習長期的順序依賴性。長期順序依賴性是指在序列中彼此遠離的交互之間的依賴性。例如，給定購物順序S1 = {玫瑰，雞蛋，面包，一瓶牛奶，花瓶}，其由一籃子由用戶珍妮特連續購買的物品組成。顯然，花瓶和玫瑰雖然彼此相距甚遠，但卻高度依賴。這種情況在現實世界中並不罕見，因為用戶的行為通常高度不確定，因此可能會將任何物品放入購物車。
為了解決這一關鍵問題，在SRS中應用了基於長期短期記憶（LSTM）的[21]和基於門控循環單元（GRU）的[7] RNN來捕獲用戶項目交互之間的長期依賴性。按順序。但是，通過過度假設序列中的任何相鄰項都是高度相關的，RNN模型很容易生成錯誤的相關性。在上述珍妮特的購物順序示例中，RNN通常通過假設牛奶和花瓶之間的距離很近而對S1進行建模，但實際上它們之間沒有關系。通過利用混合模型的優勢，將具有不同時間范圍的多個子模型組合在一起，以捕獲統一模型中的短期和長期依賴性，已經做出了其他一些努力來解決這一問題[15]。總體而言，能夠解決這一挑戰的工作非常有限，需要進行更多的研究以彌合這一差距。 RNN和混合模型中取得的技術進步將在第3.3節中介紹。
2.2以靈活的順序處理用戶-項目交互序列
在現實世界中，某些用戶-項目交互序列是嚴格排序的，而其他用戶/項目交互序列可能不是嚴格排序的，即，並非所有相鄰交互都依序依賴序列[4]。例如，在購物順序S2 = {牛奶，黃油，面粉}中，先購買牛奶還是黃油都沒有關系，但是同時購買這兩種商品會導致隨后購買面粉的可能性更高；即，牛奶和黃油之間沒有嚴格的順序，但是面粉順序取決於它們的結合。因此，對於具有靈活順序的序列，捕獲集體順序依賴關系要好得多，而不是逐點依賴關系，因為前者是模糊的，並且不對用戶項交互采取嚴格的順序。結果，如何在假設有彈性順序的情況下捕獲集體順序依存關系成為處理SRS中具有彈性順序的序列的關鍵挑戰。
盡管普遍且重要，但已報道的SRS研究並未對此問題給予足夠的重視。現有的基於馬爾可夫鏈，分解機或RNN的SRS只能處理逐點依存關系，但不擅長建模和捕獲集體依存關系。只有極少數作品，例如[17; [26]已經嘗試通過利用卷積神經網絡（CNN）的強度來解決這一挑戰，以對“圖像”中不同區域之間的局部和全局依賴性進行建模，即一系列交互的嵌入矩陣。在基於CNN的SRS中取得的技術進展將在第15節中介紹。
2.3處理帶有噪聲的用戶項交互序列
由於用戶購物行為的不確定性，大多數用戶-項目交互序列都不干凈，這意味着它們可能包含一些嘈雜且無關的交互，這些交互會干擾下一個交互預測。在實踐中，在用戶-項目交互序列中，某些歷史交互與下一次交互密切相關，而其他歷史交互則可能微弱相關，甚至不相關。例如，在另一個購物序列S3 = {培根，玫瑰，雞蛋，面包}中，商品“玫瑰”可能是嘈雜的商品，因為它與其他商品完全不同，並且與其他商品沒有關聯。下一個項目可能是一瓶很有可能的牛奶，它僅順序地依賴於培根，雞蛋和面包，而與玫瑰無關。因此，SRS中的另一個關鍵挑戰是在帶有噪聲的用戶項交互序列上專注並有區別地學習順序依存關系。
相當多的工作試圖通過使用注意力模型[19]或存儲網絡[1]來選擇性地保留和利用那些與下一次交互預測真正相關的交互信息來解決這種典型問題。這些解決方案中取得的技術進步將在第3.3節中介紹。
2.4處理具有異構關系的用戶項交互序列
異構關系是指傳遞不同類型信息的不同類型的關系，並且在SRS中應采用不同的模型。例如，在用戶-項目交互序列中，除了基於用戶-項目交互的廣泛的基於出現的順序依存關系之外，在交互項之間就其特征而言，還存在基於相似性的關系。此外，即使兩者都是順序依賴性，長期順序依賴性也與短期依賴性非常不同，因此無法以相同的方式進行建模。因此，SRS中的另一個主要挑戰是如何有效地捕獲嵌入在用戶-項目交互序列中的這些異構關系，以及在處理與異構關系相關的用戶-項目交互序列時，如何使它們協同工作以實現順序推薦。
為解決SRS中的這一挑戰，文獻報道的工作非常有限。混合物模型[12； 15; 20]是迄今為止解決此類挑戰的唯一解決方案。混合模型集成了由不同子模型建模的不同類型的關系，以協作生成順序推薦。具體的技術進展將在第3.3節中介紹。
2.5處理具有層次結構的用戶項交互序列
通常，主要有兩種可以與用戶-項目交互序列相關聯的層次結構：（1）元數據和用戶-項目交互之間的層次結構。具體來說，用戶的受眾特征可以在某種程度上確定用戶的偏好，並可以進一步影響他們與商品的互動。同樣，項目的功能通常會影響用戶是否喜歡它們並進行交互[9]。 （2）子序列和用戶-項目交互之間的層次結構。更具體地說，在一些SRS中，一個用戶-項目交互序列包括多個子序列（也稱為會話）。在這種情況下，除了當前子序列中的先前交互之外，歷史子序列還可能影響當前子序列中要預測的下一個用戶項交互[25]。因此，SRS中的另一個關鍵挑戰是如何將嵌入在這兩種層次結構中的層次依賴項合並到順序依賴項學習中以生成更准確的順序建議。
盡管有許多工作試圖從某些方面解決這一挑戰，但對其他一些方面的研究卻很少。一方面，為了考慮項目特征對用戶-項目交互的影響，已針對SRS提出了一系列功能豐富的神經模型，其中包括[9]。相比之下，在現有的SRS中很少考慮用戶的人口統計影響，應朝這個方向做出更多的努力。另一方面，一些分層模型，包括分層嵌入模型[18]，分層RNN [13]和分層注意力網絡[25]，已被設計為將歷史子序列並入順序依賴學習中，以構建更強大的SRS。特別是，將在第3.2節和第3.3節中介紹解決該挑戰所取得的技術進步。
3 研究進展
為了概述SRS的技術進展並提供解決上述挑戰的更多技術細節，我們在本節中從技術角度總結並簡要討論了SRS的研究進展。特別是，我們首先對來自SRS的所有方法進行分類然后從技術角度簡要介紹每個類別的最新進展。
SRS方法的分類如圖2所示。從技術的角度來看，我們觀察到各種SRS方法首先被分類為11個原子類（例如，順序模式挖掘，分解機和遞歸神經網絡）。然后將所有這些原子類進一步分類為三個分類法，包括傳統的序列模型，潛在表示模型和深度神經網絡模型。一般而言，這三種分類法從簡單到復雜變化，並陸續有報道。接下來，我們總結三種分類法中每一種的研究進展。
3.1 SRS的傳統序列模型傳統的序列模型
（包括順序模式挖掘和馬爾可夫鏈模型）是SRS的直觀解決方案，它利用SRS的自然優勢來對序列中用戶項交互之間的順序依賴性進行建模。
順序模式挖掘。基於序列模式的RS首先在序列數據上挖掘頻繁模式，然后利用挖掘的模式來指導后續建議。盡管簡單直接，順序模式挖掘通常會產生大量冗余模式，這會增加不必要的成本。時間和空間。另一個明顯的缺點是，由於頻率限制，它經常丟失那些不常見的樣式和項目，從而將推薦結果限制在那些受歡迎的項目上。因此，除了代表性作品[24; 16]。
馬爾可夫鏈模型。基於Markov鏈的RS采用Markov鏈模型對序列中的用戶項交互進行轉換建模，以預測下一次互動。根據所使用的特定技術，基於馬爾可夫鏈的RS分為基於基本馬爾可夫鏈的方法和基於潛在馬爾可夫嵌入的方法。前者直接基於顯式觀測[3]計算轉移概率，而后者首先將馬爾可夫鏈嵌入歐氏空間，然后根據它們的歐氏距離計算相互作用之間的轉移概率[2]。基於馬爾可夫鏈的RS的缺點是顯而易見的，即，一方面，由於馬爾可夫屬性，它們只能捕獲短期依賴關系，而忽略長期依賴關系，因為它假定當前交互依賴於一個或多個僅最近的互動；另一方面，它們只能捕獲逐點依賴性，而忽略用戶項交互上的集體依賴性。因此，近年來，它們在SRS中的使用越來越少。
3.2 SRS的潛在表示模型
潛在表示模型首先學習每個用戶或每個項目的潛在表示，然后利用所學習的表示來預測后續的用戶項目交互。結果，在潛在空間中捕獲了更多隱式和復雜的依賴關系，這對建議大有裨益。接下來，我們介紹兩種屬於該分類法的代表性模型。
分解機。基於分解機的SRS通常利用矩陣分解或張量分解將觀察到的用戶項交互分解為潛在的用戶因子和建議項[14; 10]。與協同過濾（CF）不同，要分解的矩陣或張量由交互而不是CF中的等級組成。這樣的模型很容易受到觀測數據稀疏性的影響，因此無法實現理想的建議。
嵌入。基於嵌入的SRS通過將序列中的所有用戶-項目交互編碼到潛在空間中，從而為每個用戶和每個后續項目學習潛在的表示。具體來說，有些作品將學習到的潛在表示作為網絡的輸入，以進一步計算用戶與項目之間的互動得分或連續用戶的行為[18; [19]，而其他作品直接利用它們來計算諸如歐幾里得距離的度量作為交互得分[5]。該模型由於其簡單性，效率和功效，近年來已顯示出巨大的潛力。
3.3 SRS的深層神經網絡模型
深層神經網絡[23]具有按順序建模和捕獲不同實體（例如，用戶，項目，交互）的全面關系的自然力量，因此在過去幾年中它們幾乎主導了SRS。 。 SRS的最新進展也屬於該分類法。通常，此分類法可以分為兩個子類：基於基本深度神經網絡的SRS和基於深度神經網絡並結合了一些高級模型的SRS。
基本的深層神經網絡SRS最常用的深層神經網絡是遞歸神經網絡（RNN），原因是它們在序列建模中具有天然的優勢，但也有缺陷。圖2：從技術角度對SRS方法進行分類順序推薦系統方法傳統序列模型潛在表示模型深層神經網絡模型順序模式挖掘Markov鏈模型分解機器的嵌入基礎深層神經網絡高級模型遞歸神經網絡卷積神經網絡圖神經網絡注意模型內存網絡混合模型最近，卷積神經網絡（CNN）和圖神經網絡（GNN）也已應用於SRS中，以彌補RNN的缺陷。接下來，我們分別介紹建立在這三個深度神經網絡之上的SRS。
基於RNN的SRS。給定一系列歷史用戶項交互，基於RNN的SRS嘗試通過對給定交互上的順序依存關系建模來預測下一個可能的交互。除了基本的RNN，還開發了longshort-term-memory（LSTM）-[21]和基於門控循環單元（GRU）的[7] RNN，以捕獲序列中的長期依存關系。近年來，見證了基於RNN的SRS的繁榮發展，它們主導了基於深度學習的SRS甚至整個SRS的研究。除了基本的RNN結構，還提出了一些變體來捕獲序列中更復雜的依賴項，例如分層RNN [13]。但是，RNN對於SRS並不是完美無缺的，存在以下兩個方面的缺點：（1）由於過強的假設（序列中的任何相鄰交互都必須是依賴項），因此容易產生偽造的依賴項，而在以下情況中可能並非如此。現實世界，因為序列中通常存在不相關或嘈雜的互動； （2）可能僅在忽略集體依賴性的情況下捕獲逐點依賴性（例如，一些交互協作影響下一個依賴性）。
基於CNN的SRS。與RNN不同，給定一系列用戶項交互，CNN首先將這些交互的所有嵌入放入一個矩陣中，然后將此類矩陣視為時間和潛在空間中的“圖像”。最后，CNN使用卷積濾波器為后續推薦學習順序模式，將其作為圖像的局部特征。由於CNN對序列中的交互沒有強大的順序假設，並且它們學習“圖像”中區域之間的模式而不是交互，因此，基於CNN的SRS可以彌補基於RNN的SRS的上述缺點在某種程度上。但是，由於CNN中使用的過濾器尺寸有限，因此基於CNN的SRS無法有效地捕獲長期依賴關系，從而限制了它們的應用。典型的作品包括[17; 26]。
基於GNN的SRS。最近，隨着GNN的快速發展，已經設計了基於GNN的SRS，以利用GNN來建模和捕獲序列中用戶項交互上的復雜轉換。通常，在將每個序列映射到路徑時，通過將每個交互作為圖中的一個節點，首先在序列數據上構建有向圖。然后，在圖上學習用戶或項目的嵌入，以在整個圖上嵌入更復雜的關系[22]。這種方法充分利用了GNN的優勢來捕獲結構化關系數據集中的復雜關系。基於GNN的SRS通過揭示推薦項與相應順序上下文之間的復雜關系，顯示了提供可解釋性推薦的巨大潛力。這種SRS仍處於早期階段。
先進模型為了解決基於基本神經網絡結構的SRS的局限性，通常將某些先進模型與某種類型的基本深層神經網絡（例如RNN，CNN）組合在一起，以構建能夠應對特定挑戰的更強大的SRS。 。接下來，我們介紹SRS中常用的三種高級模型。
注意模型。注意模型通常用於SRS中，以按順序強調那些真正相關和重要的交互，而對與下一次交互無關的那些交互輕描淡寫。它們被廣泛地整合到淺層網絡[19]和RNN [25]中，以處理帶有噪聲的交互序列。
內存網絡。內存網絡被引入SRS中，以通過合並外部內存矩陣直接捕獲任何歷史用戶項交互與下一個用戶項交互之間的依賴關系。這樣的矩陣使得有可能以更明確和動態的順序存儲和更新歷史交互，從而提高模型的表達能力並減少那些不相關交互的干擾[1]。此外，一些作品結合了鍵值存儲網絡，以按順序存儲和更新交互項的相應知識庫信息，以學習用於建議增強的屬性級別偏好[11]。通常，存儲網絡已經顯示出它們在SRS中的潛力，但是尚未得到足夠的研究。
混合物模型。基於混合模型的SRS結合了不同的模型，這些模型擅長捕獲各種依賴關系，從而增強了整個模型捕獲各種依賴關系以提供更好建議的能力。一個典型的例子是[15]，它結合了分別適合於短期和長期依賴性的不同種類的編碼器，以學習用於后續建議的更精確的序列表示，並且已經證明是非常有效的。但是，此類模型尚處於早期階段。
4開放的研究方向
近年來，尤其是最近三年，見證了順序推薦系統的快速發展，以及深度學習（尤其是循環神經網絡）的繁榮。在對本文中的研究實踐進行分類和總結時，我們確定了下面討論的進一步的開放研究方向。
上下文感知順序推薦系統。用戶或項目所在的當前上下文可能會極大地影響用戶對項目的選擇，在進行推薦時應予以考慮。由於上下文可能隨時間變化，因此這在SRS中甚至更為必要。但是，大多數現有的SRS都忽略了這一重要方面。因此，上下文感知的SRS將成為未來工作的重要方向。
具有社會意識的順序推薦系統。用戶生活在一個社會中，並與在線和離線的各種人保持聯系。他人的行為或意見通常會極大地影響用戶的選擇。因此，在SRS中需要考慮社會影響力，這在現有工作中通常被忽略。
交互式順序推薦系統。現實世界中的大多數購物行為都是連續的，而不是孤立的事件。換句話說，用戶和購物平台（例如，亞馬遜）之間實際上存在順序的交互。但是，現有的SRS通常會忽略此類交互，而只能在單個時間步中為一項操作生成建議。如何整合用戶與賣方的互動，從而產生多時的步驟建議，是一個很有前途的研究方向。
跨域順序推薦系統。在現實世界中，用戶在特定時間段內購買的商品通常來自多個域，而不是一個域。從本質上講，來自不同域的項目之間存在一定的順序依賴性，例如在購買汽車之后購買汽車保險。大多數SRS中都忽略了這種跨域順序依存關系。因此，跨域SRS是通過利用來自其他域的信息和來自不同域的更多樣化的推薦來生成更准確的推薦的另一個有前途的研究方向。
5結論
推薦系統（RS）是人工智能在我們日常生活中最直接，最實際的應用之一。在過去的三到五年中，順序推薦系統（SRS）一直是RS領域的核心，因為它們提供了更智能，更優惠的推薦來滿足我們的日常需求。我們希望，本摘要對RS研究領域中的SRS所面臨的挑戰和最新進展以及未來的發展方向進行了概述。
致謝這項工作得到了澳大利亞研究委員會發現項目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.