序列推荐系统 (Sequential Recommender) 是推荐系统的一种重要类型，其主要任务是根据用户的历史行为序列来预测用户的下一个行为。它试图理解和建模用户行为的时序信息、用户与物品之间的交互作用以及这些因素随时间的变化，以便更精准地为用户提供符合其当前和近期偏好的推荐。例如，一个用户在电商平台上先浏览了电脑、键盘，之后又浏览了鼠标，序列推荐系统就会根据这一系列行为预测该用户接下来可能对电脑音箱等与电脑相关的配件感兴趣，从而向用户推荐此类商品。

早期的研究中，一些基于马尔可夫链等简单模型的方法被用于序列推荐，后来随着深度学习技术的兴起，基于循环神经网络 (RNN) 、长短期记忆网络 (LSTM) 、门控循环单元 (GRU) 、 Transformer 等深度学习模型的序列推荐方法不断涌现。

发表在 IJCAL 2019 的论文「Sequential Recommender Systems: Challenges, Progress, and Prospects」全面概述了序列推荐系统，对其特点、面临的挑战、研究进展以及重要研究方向进行了系统的总结和分析。