随着互联网技术的飞速发展,信息过载问题愈发严重,为减少用户寻找感兴趣事物所花费的时间成本,同时增加互联网平台收益,推荐系统应运而生。序列推荐作为推荐系统的一个重要子领域,通过对用户的历史行为序列建模来挖掘用户兴趣。目前序列推荐算法的研究已取得了一定的进展,但仍面临着一些挑战。如单向建模用户-项目交互,限制了模型的预测能力;将用户行为序列分段训练,模型无法挖掘超出子序列长度的依赖关系;现有的序列推荐算法只对用户历史行为序列建模,未有效利用用户历史信息等。本文针对上述问题展开研究,主要研究内容包括:1.针对序列推荐模型单向建模用户-项目交互,无法捕捉项目双向依赖关系的问题,提出了基于双向编码的CNN序列推荐算法。该算法通过非因果卷积编码器提取项目上下文特征,将其与项目嵌入向量相融合,再通过因果卷积解码器预测用户下一次交互的项目。实验结果表明挖掘项目双向依赖关系可以提高推荐算法的性能。2.针对序列推荐模型在预处理阶段将长短不一的用户行为序列划分为等长子序列,导致子序列间关联丢失,模型无法捕捉超出子序列长度的依赖关系的问题,提出基于记忆增强的CNN序列推荐算法。模型训练时读取记忆模块中缓存的上一子序列的隐藏状态,作为卷积操作时padding的填充内容,建立子序列间的联系。相较于padding默认的“全零填充”方式,该算法可挖掘超出子序列长度的依赖关系,有助于捕获用户长期兴趣。对比实验的结果表明了算法的有效性。3.针对现有的序列推荐算法仅对用户行为序列建模,存在用户历史信息利用不充分的问题,提出了融合用户信息的CNN序列推荐算法。算法通过对用户信息进行特征交叉提取,并将用户特征与卷积神经网络提取的项目特征进行融合,以预测用户接下来可能交互的项目。实验结果表明,通过融合用户信息可增强模型的表达能力,提升算法的推荐效果。