综述：一项关于多行为序列推荐系统的调查

《Science China-Information Sciences》：A survey on multi-behavior sequential recommendation

个性化推荐系统通过分析用户多类型行为序列优化信息获取，多行为序列推荐（MBSR）结合序列性特征与行为异质性，提出新型建模方法，涵盖图神经网络、Transformer等架构，并通过实验验证其性能优势。

　　

摘要

人们通常有明确或隐含的愿望，希望从海量信息中获取他们需要和最感兴趣的信息，这促使了个性化推荐系统的诞生。推荐系统旨在解决传统信息检索系统（如搜索引擎）中的信息过载问题，并成为了一个重要的研究领域，专注于向用户推荐他们最感兴趣的信息。人与系统交互的行为具有顺序性，例如在查看其他商品之前会先查看一件衣服。将这种顺序性考虑进来以揭示用户的兴趣动态并据此提供推荐，这个问题被称为顺序推荐（Sequential Recommendation，简称SR）。传统的顺序推荐问题仅关注用户的单一行为类型，而在现实世界中，用户往往会进行多种类型的行为，例如在购买之前先查看商品并将其添加到购物车中。引入多种行为类型可以更全面地揭示用户的行为模式，从而提出了多行为顺序推荐（Multi-Behavior Sequential Recommendation，简称MBSR）的概念。MBSR同时考虑了用户行为的顺序性和异质性，通过适当的建模可以实现先进的推荐性能。目前，已经有一些关于MBSR的相关研究，但据我们所知，还没有相关的综述来介绍和分类这些研究。因此，本调查旨在探讨MBSR这一相对较新且值得深入研究的方向。首先，我们详细介绍了MBSR，包括其问题定义、应用场景以及面临的挑战。其次，我们详细分类了MBSR的方法，包括传统方法和基于深度学习的方法，前者包括基于邻域的方法和基于矩阵分解的方法，后者可以根据循环神经网络（RNN）、图神经网络（GNN）、Transformer以及混合技术等不同的学习架构进行分类。对于每种方法，我们从数据视角和建模视角出发，分析了这些研究的优点、缺点和特点，并使用两个真实世界数据集对经典方法和最新方法进行了实验，以展示它们在推荐性能上的差异。最后，我们讨论了一些有前景的未来研究方向，以应对当前MBSR面临的挑战并改进其现状。