Bài báo này thảo luận về các xu hướng nghiên cứu gần đây trong việc áp dụng các mô hình ngôn ngữ quy mô lớn (LLM) vào đề xuất tuần tự. Các phương pháp dựa trên LLM hiện tại không tận dụng đầy đủ thông tin thời gian phong phú vốn có trong các chuỗi tương tác trước đây của người dùng. Điều này là do cơ chế tự chú ý của LLM vốn thiếu thông tin trình tự và dựa vào nhúng vị trí, ít phù hợp với các chuỗi tương tác của người dùng hơn ngôn ngữ tự nhiên. Để giải quyết những hạn chế này, chúng tôi đề xuất Khung thời gian tăng cường phản thực tế cho đề xuất dựa trên LLM (CETRec) , tách biệt và đo lường ảnh hưởng của thông tin thời gian dựa trên các nguyên tắc suy luận nhân quả . CETRec nâng cao hiệu quả sự hiểu biết của LLM về cả thứ tự tuyệt đối (thời gian tương tác với các mục) và thứ tự tương đối (mối quan hệ tuần tự giữa các mục) bằng cách sử dụng các điều chỉnh phản thực tế có nguồn gốc từ phân tích nhân quả. Chúng tôi chứng minh hiệu quả của CETRec thông qua các thử nghiệm mở rộng trên các tập dữ liệu thực tế.
