在信息云集的网络平台中,推荐系统可以帮助用户有效利用信息,快速筛选出自己期望的产品,从而提高用户的搜索效率。推荐算法的核心是利用用户的历史交互行为以及辅助信息建模用户喜好,向用户提供符合其偏好的推荐列表。在实际生活中,用户的兴趣与偏好往往随着时间而变化,因此,能够从用户历史行为中捕捉到动态变化的序列推荐算法已经成为研究热点。现有的大多数序列推荐模型通常只是独立地考虑用户最近的交互行为,而没有获取用户连续行为间真实存在的内在联系,并且多数算法只能线性地建模用户历史行为,难以在具有灵活顺序的序列中学习到用户的真实偏好。如何获取用户历史行为间潜在的依赖关系,并且捕捉用户随时间不断变化的喜好是目前需要研究的重要问题。针对上述问题,本文主要的研究内容如下:1.首先,建立了一个学习用户长短期偏好的联合模型,将用户点击的项目序列嵌入到深度神经网络中。使用LSTM模型接收用户与商品的交互信息,通过学习神经网络中的潜在特征来生成每一时刻的用户状态。接下来使用自注意力机制对近期的用户行为进行加权计算,增强了相关项的权重,输出下一时刻对用户偏好的预测结果。该模型可以学习完整的商品序列,能够同时获取用户的长期兴趣和短期偏好。2.为了在推荐系统中加入商品信息的应用,本文通过随机变量分析与假设检验,在Yoochoose数据集中统计了相邻商品的相关性信息。统计结果证明,用户近期内点击的商品对于新时刻的用户偏好有预测作用。在此依据上,本文提出了一个商品信息协同模型,根据用户的历史行为信息,在没有额外辅助信息的基础上计算商品间的依赖关系。根据获取的相关商品项,为用户生成推荐列表,并将推荐结果集成到用户长短期偏好模型中,从商品协同角度增强序列模型的推荐能力。3.通过在真实数据集上执行推荐任务,本文验证了模型的有效性,并且讨论了模型中设置的参数大小对实验效果的影响。