位置编码不同于上下文：关于序列推荐中位置编码的研究

流媒体和电子商务的快速增长推动了推荐系统的发展，特别是序列推荐系统。这些系统利用用户的交互历史来预测未来的偏好。虽然最近的研究集中在架构创新上，如Transformer块和特征提取，但用于捕捉时间模式的关键位置编码却较少受到关注。这些编码常常与上下文（如时间足迹）混为一谈，以往的工作倾向于将时间足迹视为与位置信息可互换。本文强调了时间足迹和位置编码之间的关键区别，证明后者提供了项目之间的独特关系线索，而仅靠时间足迹无法提供。通过在八个亚马逊数据集及其子集上的大量实验，我们评估了各种编码对性能指标和训练稳定性的影响。我们引入了新的位置编码，并研究了提高指标和稳定性的集成策略，超过了本工作初始预印本时的最新结果。重要的是，我们证明了选择合适的编码不仅是获得更好性能的关键，而且对于构建稳健可靠的序列推荐系统模型至关重要。