BERT4Rec — 把 BERT 的 MLM 搬进序列推荐做双向建模

是什么

BERT4Rec 是 Sun Fei 等 2019 年的论文，把 bert 的 Masked Language Model（MLM） 任务原样搬到序列推荐上。

日常类比：你刷电商，最近 50 次点击是一串”键盘 → 键帽 → 蓝牙耳机 → 跑鞋 → 跑鞋 → 跑步袜”。sasrec-2018 让模型站在最后一件回头看，只能看左边（因果 mask）。BERT4Rec 把这个限制撕掉——随机盖住中间几件（比如把”蓝牙耳机”换成 [mask]），让模型同时看左右两边还原它。这就是 BERT 在 NLP 里干的事，搬到推荐序列上一字不改。

一句话：把”预测下一项”换成”预测被盖住的任意项”，再让 attention 双向跑。

为什么重要

不理解 BERT4Rec，下面这些事都没法解释：

• 为什么 2019 年之后推荐论文开始大量出现 [mask] 训练目标——cloze 任务从 NLP 跨进推荐只隔了一年
• 为什么”推荐与 NLP 范式互通”成了显学——同一个 Transformer encoder + 同一个 MLM 损失，换个 token 词表（item ID 替换 word ID）就能跑
• 为什么后来 S3Rec / UniSRec / P5 / Recformer 一路把对比学习、prompt、instruction tuning 全搬进推荐——BERT4Rec 是第一块跨界的基石
• 为什么 2022 年又冒出”SASRec 其实没输 BERT4Rec”的复现争议——这一篇方法论上漂亮，但工程结论被质疑

引用数 2000+，是序列推荐近 5 年最常见的对照基线之一。

核心要点

BERT4Rec 在三件事上跟 SASRec 不同：

1. 去掉 causal mask：SASRec 位置 t 只看 1..t-1，BERT4Rec 让每个位置看完整序列两侧。为什么敢这样？ 训练时输入序列里有 [mask] 占位，模型不会”偷看到”它要预测的目标——目标已经被换成 mask 了。

2. Cloze 训练目标：随机选 ρ（默认 15%-20%）比例的位置替换为 [mask]，模型只对这些被 mask 的位置算 cross entropy。和 next-item 预测的差别：如果只拿最后一步做训练，cloze 会给更多监督；如果像 SASRec 那样每个位置都做下一项预测，两者都能产多个信号，真正差别是 BERT4Rec 的被 mask 位置可以同时利用左右上下文。

3. 推理时追加 [mask]：训练目标是”还原被盖住的任意位置”，但推理要的是”下一项是什么”。论文做法：把用户序列末尾追加一个 [mask] token，整个序列过一遍 encoder，取末位输出和所有 item embedding 点积——分数最高的就是预测。这是 cloze 训练 + next-item 推理的桥梁。

整套结构等价于：“BERT encoder 原封不动 + 输入 token 改成 item ID + 输出层对 item 词表做 softmax”。

实践案例

案例 1：训练一步在做什么

原序列：  i1  i2  i3  i4  i5  i6  i7  i8
随机盖：  i1  i2  [M] i4  i5  [M] i7  i8
模型预测 [M] 位置：
  位置 3 → P(i3)=0.71, P(其他 item)=...
  位置 6 → P(i6)=0.55, P(其他 item)=...
loss = -log P(i3 at pos 3) - log P(i6 at pos 6)

模型必须同时看左边 i1 i2 和右边 i4 i5 i7 i8 才能定位被盖住那两项是什么。这一来梯度信号比 SASRec 单向密集得多。

案例 2：推理阶段怎么变成”预测下一项”

用户真实序列：i1 i2 i3 i4 i5 i6
推理输入：    i1 i2 i3 i4 i5 i6 [M]   ← 末尾追加 mask
encoder 一次前向 → 取最后一位（[M] 位置）的 hidden
hidden . item_emb 全表点积 → top-K

训练时 mask 在中间任意位置，推理时强行放末尾——分布有偏移，但实测效果可接受。后来工作改成”训练阶段也保留一定比例 mask 在末尾”以贴合推理（例如 BERT4Rec 自己就有 mask-last 的训练策略变种）。

案例 3：和 SASRec 在数据流上的对比

SASRec：每个用户序列长度 N → N-1 个监督信号（下一项预测，causal）
BERT4Rec：每个用户序列长度 N → ρ·N 个监督信号（cloze，双向）
ρ=0.2, N=200 时，BERT4Rec 单序列产 40 个信号，SASRec 199 个（看似多但每个 loss 只用 1 个负样本）

注意：SASRec 单序列虽然信号多，但每位置 loss 是 BCE 一对一负采样；BERT4Rec 是 softmax 全词表（或大批量负采样）——单信号信息量不一样，不能光数数。

踩过的坑

1. Petrov 2022 复现争议：A Systematic Review and Replicability Study of BERT4Rec 指出 BERT4Rec 在论文里赢 SASRec 主要因为训练步数比 SASRec 多 10 倍——把 SASRec 训等量步数后两者基本打平。这不否定 cloze 思路，但提醒”看论文别只看 HR/NDCG 数字”。

2. mask 比例 ρ 难调：原论文给 0.2，但短序列（< 20）用 0.2 等于盖掉 4 个，模型上下文太稀。短序列建议 ρ=0.15 或更低；长序列（> 200）可以 0.3。这是个长度敏感超参。

3. 训练 vs 推理分布不一致：训练时 mask 散落各处，推理时只在末尾——位置嵌入学到的”末尾长什么样”和训练分布有差。一些后续工作通过”把最后一位也以一定概率纳入训练 mask 集合”缓解。

4. item 词表巨大时 softmax 太贵：BERT 词表 30k，推荐 item 经常 100 万级。原论文用 sampled softmax；工业落地常配 in-batch negatives 或层次 softmax。

5. 位置嵌入用可学习还是相对位置：原文用可学习绝对位置嵌入，对长序列泛化差；TiSASRec 风格的”时间间隔”位置嵌入对 BERT4Rec 同样适用，是常见改进。

适用 vs 不适用场景

适用：

• 中等长度（50-500）用户行为序列建模，且数据量足够支撑双向建模
• 想用 NLP 预训练范式做推荐预训练（先 cloze 预训练，再下游 finetune）
• 离线指标场景，论文复现或基线对比

不适用：

• 严格在线 next-item 预测且训练预算紧——SASRec 单向更省，效果接近
• 极短序列（< 10）→ mask 后剩不下几个 token，cloze 任务退化
• 召回阶段百万级候选打分 → 用双塔 youtube-two-tower-2019 类结构
• 需要时间敏感建模 → 配 TiSASRec 风格时间间隔嵌入

历史小故事（可跳过）

• 2017 年 6 月：attention 论文发表，Transformer encoder + decoder
• 2018 年 10 月：BERT 把 Transformer encoder + MLM 推到 NLP 王座
• 2018 年 8 月：sasrec-2018 把 Transformer decoder + causal mask 推到序列推荐
• 2019 年 4 月：Sun 等在 Alibaba 把 BERT 直接套到序列推荐——BERT4Rec
• 2022 年 7 月：Petrov & Macdonald 发表系统复现，质疑 BERT4Rec 优势主要来自训练量

至 2026 年这两条路线（单向因果 vs 双向 cloze）仍在序列推荐论文里并行存在。

学到什么

1. 范式跨域复用：NLP 的 MLM 不是 NLP 专属——只要序列里”被盖住的项”和”上下文”这种结构存在，cloze 就能用
2. 训练目标决定梯度密度：next-item 1 个信号 vs cloze ρ·N 个，但单信号信息量不同；选哪个看数据量和稀疏度
3. 训练-推理分布对齐：cloze 训练 + next-item 推理本身就有偏，论文常给个工程补丁——这种”补丁式 trick”是范式跨域时的典型代价
4. 方法论新 ≠ 实证赢：Petrov 复现提醒看论文要分清”思路新颖性”和”实验对照公平性”，两者经常被论文写作混在一起
5. 推荐与 NLP 互通是双向的：BERT4Rec 之后是推荐借 NLP，再后来有人把推荐里的”用户兴趣建模”反过来启发 NLP 个性化生成

延伸阅读

• 原论文 PDF：BERT4Rec arXiv
• 官方 TensorFlow 实现：FeiSun/BERT4Rec
• 复现争议：Petrov & Macdonald 2022（必读，搞清楚 BERT4Rec 真实战力）
• PyTorch 复现：RecBole 框架内置实现，社区常用
• bert —— BERT4Rec 的母模型，理解 MLM 与双向编码
• sasrec-2018 —— 单向因果对照组，必须配套读

关联

• bert —— BERT4Rec 的训练目标（MLM/Cloze）和 encoder 直接搬自 BERT
• sasrec-2018 —— 同样基于 Transformer 的序列推荐，单向 causal 对照
• attention —— self-attention 公式两者共用
• gru-2014 —— 上一代 RNN 序列推荐主力，BERT4Rec 间接对手
• wide-deep-2016 —— 推荐范式的上一代基础结构
• youtube-two-tower-2019 —— 召回阶段双塔，与 BERT4Rec 精排互补

一句话总结

把 BERT 的 encoder + MLM 整套搬到序列推荐——撕掉 SASRec 的 causal mask 让 attention 双向，把 next-item 预测换成 cloze 任意位置预测。这是”NLP 范式跨域到推荐”的标志性一步：论文方法论漂亮、训练信号密度高，但 2022 年复现指出实证优势主要来自训练步数；从此推荐领域学会大量借用 NLP 预训练范式，但也学会用更严格的对照实验衡量它们。

一行公式速查

loss = - sum_{t in masked} log P(i_t | i_{<t}, i_{>t}, theta)
推理：append [mask] at end → encoder → hidden_last . item_emb_table → top-K

读法：训练时只对被 mask 的位置算交叉熵，每个位置的预测概率由序列两侧（不包括自己）的双向 attention 输出决定；推理时在序列末尾追加一个 mask token，过一次 encoder，取末位 hidden 与全 item 表点积取 top-K。

一个常见误解

很多新人读完会以为”双向一定优于单向”。这条结论在 NLP 任务（理解类，如分类、问答）成立，但在序列推荐里不一定：推荐本质是”用过去预测未来”，未来交互在训练时是已知的，所以可以让模型双向看；但模型学到的”双向上下文表示”对”预测下一项”这一具体任务到底有没有增益，要看数据稀疏度、序列长度、训练预算三件事。Petrov 2022 的复现就是在指这一点——双向不是免费午餐。

反向链接

（暂无反向链接）