欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

序列推荐下一个购买预测,用 SASRec 自注意力复现

上邦 AI 工程团队2026-10-12阅读 约7分钟
用户下一次会买什么,取决于历史行为的顺序。SASRec 用因果自注意力编码点击序列,在稀疏与稠密数据上均优于传统MC/RNN模型。本文给出可复现的PyTorch骨架:位置编码加自注意力块加共享物品嵌入,帮助零售团队快速搭建下一个购买推荐基线。

为什么用序列而非协同过滤

购物车与浏览记录是有顺序的,最近几次交互往往决定下一次点击。SASRec 以因果自注意力从用户历史中自适应关注相关物品,兼顾长序列语义与稀疏数据效率,训练速度较RNN/CNN方案快一个数量级。

步骤一:位置编码与嵌入

物品ID映射为稠密向量并加入位置编码,使模型感知交互先后。
import torch, torch.nn as nn
class SASRec(nn.Module):
    def __init__(self, n_items, d=64, maxlen=200):
        super().__init__()
        self.item_emb = nn.Embedding(n_items, d)
        self.pos_emb = nn.Embedding(maxlen, d)
    def forward(self, seq):
        n = seq.size(1)
        x = self.item_emb(seq) + self.pos_emb(torch.arange(n, device=seq.device))
        return x

步骤二:因果自注意力块

用带因果掩码的多头注意力堆叠两层,残差加层归一化稳定训练,最后用共享物品嵌入打分。
class AttnBlock(nn.Module):
    def __init__(self, d=64, h=2):
        super().__init__()
        self.att = nn.MultiheadAttention(d, h, batch_first=True)
        self.ff = nn.Sequential(nn.Linear(d,d), nn.ReLU(), nn.Linear(d,d))
        self.n1 = nn.LayerNorm(d); self.n2 = nn.LayerNorm(d)
    def forward(self, x, mask):
        a,_ = self.att(x, x, x, attn_mask=mask, is_causal=True)
        x = self.n1(x + a); return self.n2(x + self.ff(x))

步骤三:评估与上线

在 MovieLens-1M、Steam 等公开序列数据集上以HR@10与NDCG@10验收。上线前需做时序切分防止未来信息泄露,并关注近期项主导带来的可解释性权衡。该骨架仅作基线,业务效果须结合品类与促销节奏调优。
本文为示意性骨架,真实部署须处理冷启动、曝光偏差与隐私合规;公开论文指标不等同于本业务成效。

参考来源

Self-Attentive Sequential Recommendation (SASRec) - arXiv:1808.09781 (Kang, McAuley, 2018)。Residual Dominance in Causal Self-Attention Recommenders - ACM RecSys'26 (2026)。MovieLens-1M / Steam 公开序列推荐数据集 - 公开学术基准。
相关标签:序列推荐SASRec自注意力推荐系统下一个购买

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案