计算机工程与应用

作者：孙腾中, 顾阜城, 李彦辰, 陈智宏, 方鹏飞

单位：1.南京大数据集团有限公司，南京 211100；2.东南大学 计算机科学与工程学院，南京 211189；3.东南大学 新一代人工智能技术与交叉应用教育部重点实验室，南京 211189；

关键词：序列推荐系统,深度谱核网络,网络参数自适应分解,参数共享

基金：国家自然科学基金青年项目（62306070）。

随着人工智能技术的发展，基于深度学习的序列推荐系统（sequential recommender systems， SRS）逐渐成为捕获用户动态兴趣与生成高质量推荐的关键技术。然而，如何有效挖掘序列数据的动态变化，仍然是一个重要挑战。近年来，深度谱核网络（deep spectral kernel network， DSKN）因其在非静态与非平稳特征刻画方面的优势，在时序数据建模与观测领域展现出有效性。提出一种基于深度谱核网络的序列推荐方法，该方法利用DSKN通过核映射学习序列数据的时序相关特征，进而在核映射空间内进行特征建模，以提升推荐质量。然而，深度谱核网络往往需要大量参数来拟合数据分布，限制了其在边缘设备上的部署。为此，提出了一种谱核网络压缩算法，其中包括基于矩阵低秩分解的参数自适应分解机制，以及结合层间共享与区块间共享的参数共享机制。在有效降低模型参数量的同时，该方法保持了模型的性能稳定性。基于真实的互联网应用数据集以及标准序列推荐预测数据的实验结果表明，所提出的谱核网络压缩方法在保证推荐质量的同时，实现了更高的计算效率和更低的存储开销，验证了方法的有效性。

来源：2026年第7期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第7期