随着互联网及电子商务技术的快速发展,大量用户注册众多平台账号导致数据信息呈现爆炸式递增,使得用户无法快速准确的找到与自己相关和需要的商品项目。推荐系统正是为应对这一问题而产生的。推荐系统通过分析用户的差异化特征,预测他/她可能感兴趣的后续商品项目,向用户“主动”推荐满足他们个性化兴趣的项目。在现实场景中,用户偏好模式是动态的,并随着时间的推移而发展。具体而言,用户本身兴趣缓慢或者剧烈的发展,外界网络突发热点、和热销商品、流行趋势的产生和消逝都会影响当前推荐物品被用户接受的概率,因此,从用户历史序列中挖掘行为之间的依赖性,捕获用户动态偏好演变的另一类序列推荐系统逐渐为学者热捧。现有的序列推荐工作仍然面临着以下三个问题:第一,现有的序列推荐模型大都仅从用户的长期行为模式中捕捉用户的内在兴趣偏好,或者仅分析用户的近期行为模式来推断当前需求偏好,但是商品在不同时间节点对用户的影响是不同的,已有方法忽略了用户不同时间间隔下的商品特征依赖关系和关联要素,导致对用户意图的理解不够全面。第二,部分已有工作在获取商品顺序信息时,经常会忽略时间轴上用户交互序列中隐含的时间上下文信息,导致在提取序列信息未时能考虑时间间隔信息对用户偏好建模产生的影响,极大降低预测深度学习用户偏好的准确性。第三,在用户的长短期偏好融合时,已有工作大都将用户的长短期偏好特征进行线性连接操作,使用户的长期和短期偏好不能有效的发挥各自不同的作用,影响推荐的准确性。根据上所述问题,本研究提出基于长短期偏好和时间间隔的序列推荐方法,针对序列推荐中用户偏好动态演变的特征,以用户的长短期序列为基础,序列中的时间间隔为辅助信息,提高推荐模型的准确性。本文的主要工作如下:1.提出基于用户长短期偏好表示的序列推荐模型（MLSUR）,该模型主要是对用户的长短期兴趣偏好进行区分学习,并在融合偏好时考虑热销物品对用户推荐列表的影响。首先,把用户交互的历史序列划分为长期序列和短期序列不同的两部分;然后使用自注意力序列推荐方法和门控循环单元分别学习用户的短期偏好和长期偏好;最后,在进行用户偏好融合时引入热销商品相似门来计算长短期偏好的不同权重以发挥出长短期偏好不同的贡献。通过实验结果验证,采用深度学习的方法对用户长短期偏好进行学习可以提高对用户偏好建模的表示和捕获用户意图的准确性。2.在MLSUR模型框架的基础上提出FTISR算法模型。为充分利用用户历史交互序列中项目之间的时间间隔信息作为辅助信息建模用户动态兴趣演变,挖掘不同历史时段对用户偏好的影响方式,由此,提出融合时间间隔信息的序列推荐模型（FTISR）。FTISR首先引入时间间隔门的概念,然后使用时间间隔门更新自注意力网络和GRU网络以捕捉用户偏好的时间动态,最后使用基于注意力机制的方法平衡用户的长期偏好和最新的意图,得到用户最终偏好表示。实验结果表明,使用序列中的时间间隔信息共同建模用户偏好的FTISR模型性能优于其他高性能基线模型,也说明在用户建模时同时考虑时间间隔信息可以更精确理解用户偏好提升推荐系统的准确性。本研究成果可以为大数据下的用户个性化推荐和决策支持技术提供理论和方法依据。