通过 Hankel 矩阵表示进行基于张量的序列学习，用于下一物品推荐

基于摘要分析。本文研究下一物品推荐，探索能否用更轻量的模型模拟自注意力模型对用户行为序列动态的建模能力。作者提出结合特殊 Hankel 矩阵表示的张量分解方法，将序列数据的结构知识融入学习过程，得到浅层线性架构。 机制与证据：研究动机来自已学习参数空间的特殊结构，作者尝试通过 Hankel 矩阵表示复现自注意力网络的某些性质。作者报告，所提模型在下一物品推荐任务中与神经网络对照模型具有竞争力；但摘要未提供数据集、划分协议、指标、具体对照或数值，不能据此判断优势幅度。具体复现了哪些自注意力性质、张量构造与分解方式、损失函数，以及参数量和运行开销，均尚未验证；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，Hankel 表示所引入的序列结构约束可能用于 EEG 时间动态建模，而非直接迁移推荐结论。原方法依赖序列顺序及其结构化表示，所需监督形式与数据规模尚未明确；迁移时需将用户—物品行为表示改造为多通道 EEG 时间窗表示，并调整任务输出与训练目标。低信噪比、跨被试非平稳性、通道差异及小样本下的分解不稳定性，都可能使该假设失效。可在固定被试内划分和相同预处理条件下，对比 Hankel 表示加张量分解与不使用该表示的线性基线，检查任务指标与计算开销是否同时改善。该建议仅用于检验机制，已有 EEG 相关工作尚未检索确认。