来源：期刊VIP网 时间：
作者：张贤坤;王丽媛;龙卫平;
单位：天津科技大学人工智能学院;
摘要：本研究提出了LDKRec，一种新型序列推荐模型，旨在同时提升推荐的准确性与效率，特别是在建模复杂用户行为和应对数据稀疏性方面。传统序列模型在面对长交互序列和稀疏数据时常难以兼顾表达能力与计算成本。为此，LDKRec采用模块化架构，包含三个关键组件：轻量级嵌入层、线性递归单元（LRU）以及DeftKAN增强的前馈网络。嵌入层通过单头自注意力机制捕捉用户与物品之间的全局依赖关系；LRU模块采用递归且可并行的结构高效建模时序特征；DeftKAN模块结合径向基函数（RBF）映射与Spline Linear变换，提升在稀疏环境下对细粒度模式的建模能力。在ML-1M、Beauty和Steam等基准数据集上的实验结果表明，LDKRec在Recall@1和NDCG@1等关键指标上持续优于当前先进模型，能够同时适用于稠密与稀疏场景，展现出良好的泛化能力。此外，LDKRec训练效率更高，收敛速度更快，参数量更少，适合精度与效率并重的实际推荐系统应用。
关键词：深度学习;;推荐系统;;序列推荐;;DeftKAN;;径向基函数
基金资助：国家自然科学基金项目(No.62377036);; 天津市科技计划项目(No.22KPXMRC00210)
