核心要点
序列推荐：按用户行为发生的先后建模，预测「下一个」要交互的物品
GRU4Rec：用 GRU（RNN）建模会话内行为序列，适合 session-based 推荐
SASRec：用 Transformer 自注意力建模序列，能捕捉长程依赖、并行训练
相比 CF/MF，序列推荐显式利用行为顺序信息，对兴趣演化更敏感
标准回答
核心范式：序列推荐把推荐建模为下一个物品预测（next-item prediction）——给定用户按时间排列的行为序列，预测其最可能交互的下一个物品。与协同过滤把交互看作无序集合不同，它显式利用行为的先后顺序。
GRU4Rec：早期代表，用 GRU（一种 RNN） 逐步编码会话内的点击序列，隐状态作为当前兴趣表示。适合无登录用户的 session-based 场景，但 RNN 串行、对长序列的长程依赖较弱。
SASRec（Self-Attentive Sequential Recommendation）：用 Transformer 的自注意力 替代 RNN，每个位置可直接关注序列中任意历史物品，更好捕捉长程依赖；自注意力可并行，训练比 RNN 高效。通过 causal mask 保证只看历史、不泄露未来。
二者都属于序列建模，区别在于编码器：RNN（顺序、递归）vs 自注意力（全局、并行）。后续还有 BERT4Rec（双向 Cloze 任务）等变体。
常见误区
⚠️ 常见踩坑
SASRec 训练时必须加因果掩码（causal mask），只允许关注当前位置之前的行为；否则会用到「未来」信息造成数据穿越，离线指标虚高、上线失效。
追问
追问 1：SASRec 相比 GRU4Rec 的主要优势？
自注意力让任意两个历史物品直接交互，长程依赖建模更强；且可并行计算，训练效率高于串行的 RNN。对长行为序列，SASRec 通常显著更优。
追问 2：BERT4Rec 与 SASRec 的训练目标有何不同？
SASRec 是单向自回归，用因果掩码预测下一个物品；BERT4Rec 借鉴 BERT 的 Cloze 任务，随机遮蔽序列中的物品做双向预测，能利用左右上下文，但推理时需特殊处理（在序列尾部追加 mask）。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。