推荐系统在缓解信息过载方面发挥着重要作用,并已经广泛应用于各种在线服务,例如电子商务、音乐和电影。特别地,序列推荐是一项具有挑战性的任务,其目的是预测用户在给定历史行为的情况下可能与之交互的潜在项目,旨在基于用户的历史行为来模拟用户偏好的演变。最近,Self-attention模型因为其良好的性能在序列推荐领域得到了广泛的应用,它通过在序列中的所有项目之间建立稠密的连接来捕获全局感受野。然而,盲目地扩大的感受野也引起了一些问题。第一,query可能会受到用户不真实兴趣的影响,例如随意的点击和不相关的点击,从而引入许多干扰信号。第二,稠密注意力机制表现出很大的复杂性,这会导致内存和计算成本的增加。为了解决这些问题,该论文提出一种具有渐进式采样策略的可变形注意模型,并将该模型应用于序列推荐任务。这种可变形注意力操作可以以数据相关的方式自适应地为每个query选择交互项目,从而消除稠密注意力操作的冗余和噪声。作为稠密注意力机制的替代品,模型中的每个query只需要与几个具有代表性的token进行交互,这具有线性时间复杂度。这种细粒度的交互可以增强特征的表示能力并且可以更准确地建模用户兴趣。此外,还提出了一种渐进式采样策略,以迭代方式渐进式地生成采样点。通过这种精细化的设计,候选的key-value交互对就被分配给更加重要的用户行为,从而以更高的灵活性和效率增强了原始的自注意力操作,以捕获更多信息的序列特征并消除噪声相关性。总而言之,该论文的贡献在于:（1）提出了第一个用于序列推荐任务的可变形注意力模型,它是依赖于数据的稀疏注意力机制,赋予了模型更高的灵活性和效率。（2）提出了一种渐进式采样策略来细化不同层的采样点,这有利于在序列数据中定位有用的行为。（3）在四个真实世界数据集上对提出的方法进行了评估,表明提出的DAPS-Rec模型优于目前最先进的方法。（4）将提出的DAPS-Rec模型应用在真实的场景,即网易云音乐的直播推荐场景中,通过线上AB Test效果比较,验证了DAPS-Rec模型在真实业务场景中的有效性。