Cet article met en évidence les lacunes des systèmes de recommandation séquentielle existants (SeqRec), qui reposent principalement sur le calcul direct pour capturer des modèles séquentiels, ce qui les empêche de comprendre les variations complexes des préférences des utilisateurs et les éléments à longue traîne. Pour y remédier, nous proposons ReaRec, un cadre de calcul basé sur l'inférence. ReaRec saisit de manière autorégressive le dernier état caché d'une séquence dans le système de recommandation séquentielle et intègre une intégration de position inférée spéciale pour séparer l'espace d'encodage de l'élément d'origine de l'espace d'inférence multi-niveaux, améliorant ainsi la représentation utilisateur. De plus, nous présentons l'apprentissage par raisonnement d'ensemble (ERL) et l'apprentissage par raisonnement progressif (PRL), des méthodes d'apprentissage efficaces basées sur l'inférence. Grâce à des expériences approfondies sur cinq jeux de données publics réels et diverses architectures SeqRec, nous démontrons la généralisabilité et l'efficacité de ReaRec, démontrant qu'il améliore les performances de plusieurs systèmes de recommandation séquentielle d'environ 30 à 50 %.
