近日，工商管理學(xué)院李海林教授與本科學(xué)生王杰合作完成的學(xué)術(shù)論文VCRec: Visibility graph and convolutional neural networks for sequential recommendation發(fā)表于國(guó)際權(quán)威期刊《信息科學(xué)》（Information Sciences）。《信息科學(xué)》是中國(guó)科學(xué)院計(jì)算機(jī)科學(xué)大類(lèi)1區(qū)TOP期刊、JCRQ1分區(qū)刊物，影響因子6.8，為信息科學(xué)、數(shù)據(jù)挖掘與人工智能領(lǐng)域國(guó)際公認(rèn)的頂級(jí)學(xué)術(shù)平臺(tái)。

序列推薦是個(gè)性化推薦系統(tǒng)的核心技術(shù)，其核心目標(biāo)是通過(guò)挖掘用戶(hù)歷史行為序列來(lái)捕捉動(dòng)態(tài)偏好與物品依賴(lài)關(guān)系，已廣泛應(yīng)用于電商、社交、影音等多元場(chǎng)景。然而，當(dāng)前主流模型在挖掘用戶(hù)行為復(fù)雜關(guān)聯(lián)、適配淺層網(wǎng)絡(luò)捕捉動(dòng)態(tài)模式等方面仍存在明顯瓶頸。研究者精準(zhǔn)瞄準(zhǔn)這一學(xué)術(shù)痛點(diǎn)，首次將可視圖算法引入序列推薦領(lǐng)域，創(chuàng)新性提出融合改進(jìn)自適應(yīng)可視圖與卷積神經(jīng)網(wǎng)絡(luò)的VCRec模型，為序列行為建模提供了全新的拓?fù)湟暯墙鉀Q方案。針對(duì)傳統(tǒng)自適應(yīng)可視圖在用戶(hù)興趣與序列上下文耦合時(shí)易出現(xiàn)特征失真的問(wèn)題，提出了配對(duì)自適應(yīng)可視圖（Paired AVG）與非配對(duì)自適應(yīng)可視圖（Non-Paired AVG）雙編碼策略：前者聚焦物品對(duì)的直接依賴(lài)關(guān)系，后者則建模中間上下文的干擾效應(yīng)，二者融合可全面捕捉物品間的配對(duì)與非配對(duì)關(guān)聯(lián)，有效區(qū)分長(zhǎng)程依賴(lài)與隨機(jī)噪聲。同時(shí)，該模型引入殘差模塊與卷積塊組合結(jié)構(gòu)，深度提取物品高階特征，既解決了淺層網(wǎng)絡(luò)難以建模復(fù)雜行為模式的難題，又實(shí)現(xiàn)了特征的高效傳遞與非線(xiàn)性關(guān)系的精準(zhǔn)捕捉。

該研究第一作者兼通訊作者為李海林教授，第二作者為本科學(xué)生王杰，工商管理學(xué)院為該論文通訊單位。研究工作得到國(guó)家自然科學(xué)基金（71771094）、福建省社會(huì)科學(xué)基金（FJ2025A033）資助。

論文鏈接：https://doi.org/10.1016/j.ins.2026.123153

（責(zé)編：魏琳瑛）