股票市场结构复杂、信息多样，股票趋势预测极具挑战性。但现有研究大都把每只股票当作一个独立的个体，或者使用图结构对股票市场中复杂的高阶关系进行建模，缺少对股票、行业、市场三者间相互影响的层次性和动态性考量。针对上述问题，提出一种动态宏观记忆网络（DMMN），并基于DMMN同时对多只股票进行价格趋势预测。该方法按照“股票-行业-市场”的层次对市场宏观环境信息进行建模，并捕获这些信息在时序上的长期依赖；然后将市场宏观环境信息与股票微观特征信息动态融合，在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖。在收集的CSI300数据集上得到的实验结果表明，相较于基于注意力长短期记忆（ALSTM）网络、添加了图卷积的LSTM网络（GCN-LSTM）、卷积神经网络（CNN）等模型的股票预测方法，基于DMMN的方法在F1分数、夏普比率上都取得了更好的效果，和表现最优的对比方法ALSTM相比分别提升了4.87%和31.90%，这表明DMMN在具备较好预测性能的同时还具备更好的实用价值。

主流个性化推荐服务系统通常利用部署在云端的模型进行推荐，因此需要将用户交互行为等隐私数据上传到云端，这会造成隐私泄露的隐患。为了保护用户隐私，可以在客户端处理用户敏感数据，然而，客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战，设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型，在云端预训练用户表征模型后，将其部署到客户端，排序模型则部署到云端；同时，采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征，并通过Lasso算法对用户表征进行压缩，从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验，结果表明，所设计系统的推荐准确率和GRU4REC模型相当，而压缩后的用户表征体积仅为压缩前的34.8%，计算开销较低。