2.3.3. 总结

序列召回代表了推荐系统的一个重要发展方向：从基于静态用户画像的推荐，转向基于动态行为序列的推荐。这种方法不仅关注“用户是谁”，更重视“用户下一步可能做什么”。通过建模用户行为中的时序依赖、兴趣演化和多重意图，序列召回能够提供更精准、更及时的推荐结果。

为了实现这一目标，序列召回主要沿着两条技术路径发展。第一条路径专注于改进用户表示，通过构建更丰富的用户画像来提升检索效果。例如，MIND模型使用多个向量表示用户的不同兴趣，解决了单一向量的表达局限；SDM模型则融合了用户的长短期偏好，使用户画像能够同时反映稳定兴趣和即时需求。第二条路径采用了不同的建模思路，将推荐问题转化为序列生成任务，直接预测行为序列的下一个物品。SASRec引入Transformer模型，建立了“预测下一个物品ID”的基本框架；HSTU将异构特征统一为事件流表示，扩展了模型的输入信息；TIGER通过语义ID改进了物品表示方法，使模型能够更好地理解物品间的语义关系。

虽然技术路径有所不同，但所有序列召回模型都致力于通过挖掘时序规律来更好地预测用户意图，提升推荐的相关性和时效性。这一发展趋势也反映了推荐系统的演进方向，即从理解用户历史行为扩展到预测用户未来行为。如何在保持模型性能的同时满足在线服务的效率要求，以及如何与大语言模型等新兴技术相结合，是序列召回技术需要持续探索的重要问题。