顺序推荐系统是被设计为基于交互或事件发生的顺序来提供推荐的算法。与可以仅基于用户偏好或项目相似性来推荐项目的传统推荐器系统不同，顺序推荐器考虑了用户随时间做出的动作或选择的顺序。例如，如果用户在流媒体平台上观看一系列电影，则顺序推荐器将分析这些电影的顺序以建议接下来要观看的内容，从而认识到观看行为通常遵循特定模式。
这些系统通常通过将用户行为建模为按时间排序的序列来操作。所采用的技术可以包括捕捉从一个动作到另一个动作的转变的马尔可夫模型或学习方法。例如，在电子商务环境中，如果客户首先查看产品，然后将其添加到购物车中，最后购买该产品，则顺序推荐器可能会识别该顺序并根据这些操作建议相关产品。这种方法通过提供感觉更相关和及时、与用户的当前上下文紧密一致的推荐来帮助改善用户体验。
可以在音乐流服务中看到这种情况的说明，其中用户收听的歌曲连续地影响下一首歌曲推荐。如果用户在他们的收听历史中经常从乐观的曲目转到较慢的民谣，则系统可以学习此偏好并相应地建议曲目。通过随着时间的推移跟踪这些模式，顺序推荐系统提高了推荐的准确性，确保用户感觉系统与他们不断变化的偏好保持一致。