智能化逐渐走入人们的生活,计算机技术被用来服务各个行业。购物车序列推荐（next-basket recommendation）根据用户的购物历史,预测用户在下一次购买中选中的商品,是一种序列推荐算法,它被广泛应用于电子商务等行业中。与物品序列推荐（next-item recommendation）不同,购物车序列推荐更复杂,用户的一次购买单位是一个购物车,根据已有的购物车集合,预测下一个购物车中的物品。除此以外,序列推荐算法还可以应用于医疗等行业,如根据病人的就医记录,预测可能的病情走向。在以往工作中通常使用基于马尔科夫链（MC）和基于循环神经网络（RNN）的方法解决购车序列推荐的问题,但这些方法仍有各自的局限性,如马尔科夫链方法常建模近几次的用户行为进行推荐但难以关注用户的长期历史,循环神经网络的方法以顺序网络结构拟合数据的时序关系但忽视了物品之间的关联性。近年来,Self-Attention方法在自然语言处理（NLP）领域中取得了不错的成绩,不同于以往的方法,它可以基于更少的时间步数挖掘出词与词之间的相关性,并能像循环神经网络一样关注较长的上下文信息。为解决先前方法的局限性,本文从挖掘物品之间和购物车之间的相关性以及用户历史中的重复行为作为研究入手点,将Self-Attention 方法引 入到购物车序列推荐 中并最终做出 推荐。首先本文将Self-Attention方法适配到购物车序列推荐问题中,基于此提出一种双向的序列推荐模型,双向模型使得任意位置可以感知全部上下文信息,全方面建模用户偏好,解决模型难以感知数据中关联性的问题。其次为了使模型可以从用户交互历史中有效学习到这种隐含关系,本文研究引入了 BERT模型结构,针对购物车推荐问题本文提出了两个不同的训练任务。第一个训练任务用来学习同一个购物车中物品之间的相关性,以同一购物车中的物品构建模型的输入,以随机生成多个令牌的方式遮盖住部分物品,通过其它已知物品预测遮盖住的物品,进而使模型捕捉到同一个购物车中的物品间的隐含关系;第二个训练任务以用户的全部购物历史构建模型的输入,通过已知的购物车数据预测最后一个购物车中的物品,以此挖掘购物车与购物车之间的作用关系,这一任务同时也是本文的目标任务。为处理购物车序列推荐问题的特殊性,本文同时训练两个任务并将两个不同损失值相融合共同反向传播,两个不同训练任务从多角度拟合用户的历史行为,挖掘有效信息。随后本文针对两个训练任务在时序信息上的不同,让模型在两次训练中进行单、双向结构的变换。在第一个训练任务中采用双向结构,从前后两个方向对物品的相关性进行抽取;在第二个训练任务中将双向结构转换为单项结构,限制购物车间的信息逆向传播,在时序关系上后发生的购买行为不应影响先前的购买行为。最后本文研究了用户高频发生的重复购买行为,随着模型不断的训练一些长期的历史信息强度会减弱,为了提高历史购买信息对结果的影响,本文将模型预测与用户的历史行为信息相结合,融入重复购买信息,使用可学习影响因子矩阵平衡二者对结果的影响比例。最终本文使用两种评价指标将提出的方法同先前的方法对比,实验结果表明,本文提出的购物车序列推荐算法能够更好地捕捉序列中物品间及购物车间的相互关系,合理建模用户偏好,较先前的方法有更优的推荐效果,并在预测未曾出现在用户购物历史中的物品时有更突出的推荐能力。