Los puntos clave no están disponibles para este artículo en este momento.
La recomendación secuencial modela la dinámica de los comportamientos previos de un usuario para prever el siguiente ítem, y ha llamado mucho la atención. Los enfoques basados en Transformadores, que incorporan ítems como vectores y utilizan la autoatención por producto punto para medir la relación entre ítems, demuestran capacidades superiores entre los métodos secuenciales existentes. Sin embargo, los comportamientos secuenciales reales de los usuarios son inciertos en lugar de deterministas, lo que plantea un desafío significativo para las técnicas actuales. Además, sugerimos que los enfoques basados en productos punto no pueden capturar completamente la transitividad colaborativa, que puede derivarse en las transiciones ítem-ítem dentro de las secuencias y es beneficiosa para ítems de inicio en frío. Además, argumentamos que la pérdida BPR no tiene restricción sobre ítems positivos y negativos muestreados, lo cual desorienta la optimización.
Fan et al. (Mon,) estudiaron esta cuestión.