現行の監視学習および自己監視学習を用いたシーケンシャル推薦（SeRec）モデルは、強力なニューラルネットワークアーキテクチャにより性能が向上していますが、我々はこれらのモデルが依然として2つの制約に直面していると主張します。1つ目は「嗜好の変動（Preference Drift）」で、過去のデータで訓練されたモデルはユーザーの進化する嗜好に対応するのが困難です。2つ目は「暗黙の記憶（Implicit Memory）」で、ヘッドパターンがパラメトリック学習を支配し、ロングテールを想起することが難しくなるという問題があります。本研究では、これらの制約を解決するためにSeRecにおける検索拡張を探究します。具体的には、「検索拡張シーケンシャル推薦フレームワーク」としてRaSeRecを提案します。このフレームワークの主要なアイデアは、動的なメモリバンクを維持し、嗜好の変動に対応するとともに、関連する記憶を検索してユーザーモデリングを明示的に補完することです。RaSeRecは以下の2つの段階から構成されています。（i）協調フィルタリングに基づく事前学習段階で推奨と検索の能力を学びます；（ii）検索拡張による微調整段階で取得した記憶を利用する能力を学びます。3つのデータセットを使用した広範な実験により、RaSeRecの優越性と効果が完全に示されました。実装コードはhttps://github.com/HITsz-TMG/RaSeRec で公開されています。