本文我们主要致力于解决以下几个问题：
- 本文的motivation/contribution是什么？
- 实验细节以及实验效果如何？
- 具体的应用场景？
- 本文存在什么不足？
在本文的最后，我将针对以上问题简单谈谈自己的拙见，欢迎大家一起在评论区留言谈论。
言归正传，带着上面四个问题，让我们一起探寻《Self-Attentive Sequential Recommendation》，SASRec背后的秘密！
谈谈序列推荐
由于自己是第一次给大家分享序列推荐的文章，所以本着对我自己的读者负责的态度，还是要花点篇幅给大家简单介绍下序列推荐的任务和相关方法。(当然，本人对该领域的paper阅读也有限，肯定不能像大牛那样说的那么全，一点拙见，希望大家补充讨论！)
说起序列推荐Sequential Recommendation应该已经是当下一个比较热门的话题，是很多大厂比较关注的task。它主要是致力于捕捉和解决用户随时间变化的、动态的偏好。
传统的CF方法，大部分是基于对用户交互矩阵、或者对用户交互过的item的集合进行建模，在通过某种相似性度量方法，比如点积、余弦相似度、欧几里得距离等等，获得评分进行推荐。但是一个很明显的缺点就是，协同过滤CF的方法没有考虑用户对item的交互顺序，或者说是时间戳，所以在捕捉用户动态偏好方面存在明显的不足。
为了解决上述问题，序列推荐聚焦于，根据用户到tt