基于记忆增强网络的序列推荐研究综述.docVIP

基于记忆增强网络的序列推荐研究综述

一、序列推荐技术发展脉络与记忆增强网络的兴起

序列推荐的核心目标是从用户历史交互序列中挖掘动态偏好，从而预测用户下一个可能感兴趣的物品。早期序列推荐研究主要依赖马尔可夫链（MC）模型，通过构建用户相邻交互的转移概率矩阵捕捉短期依赖，这类模型在交互序列较短的场景下具有较好的解释性，但随着序列长度增加，稀疏性问题和高阶依赖建模不足的缺陷逐渐凸显。2010年后，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）等深度学习模型被引入序列推荐领域，通过隐状态传递机制实现了对长序列依赖的建模，代表性工作如GRU4Rec首次将GRU应用于会话推荐场景，在电商数据集上的性能较传统MC模型提升了30%以上。但传统RNN类模型存在固有缺陷：所有历史信息被压缩到固定维度的隐状态中，当序列长度超过50时，早期交互信息会被严重稀释，无法精准捕捉用户长期稳定偏好；同时隐状态的“黑盒”特性使得模型决策过程难以解释，无法满足电商、金融等领域对推荐可解释性的需求。

记忆增强网络（Memory-AugmentedNeuralNetworks,MANN）的出现为解决上述问题提供了新的技术路径。MANN最早由GoogleDeepMind团队在2014年提出，其核心思想是将模型的计算单元与存储单元分离，通过独立的记忆矩阵存储历史信息，再通过注意力机制实现对