动机

本文是2022年IJCAI上的一篇论文。自注意力模型在序列推荐上取得了卓越的效果，但是它们依赖位置编码保存顺序关系，然而位置编码可能会破坏原始embedding所包含的信息。现有的工作大多都假设这种顺序依赖关系仅存在于物品的embedding中，而忽略了物品特征中的这种依赖关系。本文提出了一种新的推荐系统MLP4Rec，该方法对物品的顺序敏感，不需要加入位置embedding，并且捕获了序列、跨通道、跨特征的相关性。

方法

以下是MLP4Rec的结构图，结构很简单，但是如果想真正了解清楚具体模型是怎么运作的，还是看一下作者提供的源码会更好。MLP4Rec源代码

MLP4Rec结构比较简单，主要由三个混合器组成，学习三个方面的信息，分别是时间信息、商品embedding中的兴趣信息和商品特征之间的相关性。
MLP4Rec的数据输入格式为(batch_size, sequence_size, feature_size, embedding_size)，了解到这一点才方便理解论文中的公式。

Sequence-Mixer

序列混合器学习商品序列的顺序依赖。输入和输出形状相同，但是在输出表中，所有的顺序依赖都融合在每个输出序列中。一组输入特征是。
在源代码中，每个特征都对应一个Sequence-Mixer，输入数据的形状为(batch_size, sequence_size, embedding_size)，作者在这里使用的是1维卷积Conv1d。

Channel-Mixer

通道混合器于序列混合器类似，不过学习的是embedding内部的相关性。通道混合器将第t个商品的embedding维度输入进通道混合器。
在源代码中，每个特征都对应一个Channel-Mixer，输入数据的形状为(batch_size, sequence_size, embedding_size)，作者在这里使用的是线性层Linear。

Feature-Mixer

特征混合器学习的是不同特征之间的相关性，它可以将交叉特征相关性融合到每个序列的表征中。特征混合器是最后一个混合器，在特征混合器的输入序列中，已经融合了顺序和跨通道的依赖关系。
在源代码中，只有一个特征混合器，输入数据的形状为(batch_size * sequence_size, feature_size, embedding_size)，作者在这里使用的是1维卷积Conv1d。

实验结果

作者在两个数据集上做了相关实验，效果超越所有基准模型。

总结

本文的核心在于用三个混合器分别捕捉顺序关系、通道之间的关系、特征之间的关系，提出的MLP4Rec算是纯MLP的模型，没有用到RNN和Attention相关的结构，但是效果却很好，同时模型结构很简单，参数很少。本文的模型基于CV领域提出的的Mlp-mixer，有时候借鉴其他领域的想法和模型也许会有意想不到的效果。