摘要
流媒体与电子商务的迅猛发展推动了推荐系统，尤其是序列推荐系统（Sequential Recommendation Systems, SRS）的持续进步。这类系统通过分析用户的历史交互行为来预测其未来的偏好。尽管近年来的研究主要聚焦于架构创新，如Transformer模块和特征提取技术，但对捕捉时间模式至关重要的位置编码（positional encodings）却未得到充分关注。现有方法常将位置编码与上下文信息（如时间足迹，temporal footprint）混为一谈，而此前的工作往往将其视为可互换的概念。本文明确指出时间足迹与位置编码之间的关键区别，实证表明，位置编码能够提供物品之间独特的相对关系线索，这是单一的时间足迹无法实现的。通过在八个Amazon数据集及其子集上开展的广泛实验，我们系统评估了不同编码方式对性能指标与训练稳定性的综合影响。本文提出新型位置编码方法，并探索多种融合策略，显著提升了模型的性能与训练稳定性，在本工作初始预印本发布时已超越当时最先进的水平。尤为重要的是，我们证明了选择合适的编码方式不仅对提升模型性能至关重要，更是构建稳健、可靠序列推荐系统的核心要素。