候聪颖，王 鹏，朱丽霞，管晓宁

(国电南瑞科技股份有限公司,江苏 南京 211000)

0 引 言

RPA是一类流程自动化软件工具，可以把常规工作任务自动化，提升工作效率。然而目前大多数RPA工具只能自动化一些重复性的操作，遇到人工判断(如筛选、判断、选择等)的任务，便难以执行。为了应对这一问题，通常使用推荐系统辅助RPA工具完成人为判断的过程，然而，目前大多数推荐算法只考虑用户的长期兴趣偏好，这不仅需要大量的用户信息，不利于RPA工具的使用，更会影响推荐性能。在实际生活中，考虑用户的短期兴趣和用户与项目之间的交互，不仅能够提升推荐系统的推荐效果，还能减少所需的用户信息。

在这种情况下，序列推荐应运而生，相比较传统的推荐方法，诸如协同过滤[1]利用海量用户中相似用户的兴趣偏好进行推荐，或是基于内容的推荐[2]为用户推荐其自身喜好物品的相似物品，序列推荐试图理解用户的行为习惯，进行更加准确、个性化和动态地推荐。比如情境感知递归神经网络(CA-RNN)[3]，通过收集大量上下文的信息来提升推荐性能；或者增加自注意力机制的神经序列推荐系统[4]；融合相似度方法和马尔科夫链的Fossil[5]；将内存机制引入推荐系统中，并将其与协同过滤的推荐结果相结合的方法[6]。但它们在普通数据集上的表现低于预期，尤其是在稀疏数据集上的表现。

目前序列推荐中，性能较为优异的有引入了长短期记忆模型的记忆优先级模型[7]；将自注意力机制与序列推荐相结合的SASRec[8]。……