人工智能技术的不断发展为智慧监狱的建设提供了很多帮助，给实时监控要求很高的监狱监管部门提供了许多便利。相比于传统的视频监控推荐方案，基于深度学习的智能推荐技术能够在降低监狱管理人员监控视频观看强度的同时为观看人员提供更加合适的监控视频，从而在一定程度上减轻监狱管理人员的工作负担，提高监狱对服刑人员活动监管的效率。目前推荐系统技术主要应用在电子商务领域，技术方案几乎都是根据用户的身份标识和推荐对象的特征信息进行匹配给出个性化的推荐方案。而在监狱视频监控推荐的应用场景中操作人员信息通常是不确定的，用户的身份特征和操作对象的物品特征无法获得，这使得传统推荐技术中协同过滤一类的方法很难应用到监控视频推荐上。如何更好地利用监控操作对象序列尤为重要。
　　近年来许多研究人员利用循环神经网络隐节点状态保存序列重要历史信息，加上注意力机制关注序列物品不同重要程度的推荐方案在序列推荐问题上取得了明显的成效。但是，现有基于注意力机制的循环神经网络方法都没有明确地利用到点击序列中的物品转移方式、不同时刻点击操作对象的间隔时长以及不同时间距离的上下文局部特征。为了解决这些问题并结合监狱监控场景中的实际情况，本文在现有成果的基础上做了进一步改进，主要的创新点如下:
　　(1)首先我们把操作组织中不同时刻操作对象的时序转移方式通过位置感知的序列建模方式进行嵌入表示，通过引入图结构数据嵌入和位置编码的方式对操作对象的转移方式和依赖关系进行建模，并利用门限函数来控制局部特征的保留与舍弃。这种方法能够考虑不同操作对象之间更深层次的时序依赖关系和转移信息，从而更准确地表示操作对象的嵌入信息，提升最终的推荐效果。我们用山东省两个重点监狱的视频监控日志验证了本文模型的效果。
　　(2)针对传统方法只考虑了时序信息和上下文信息，忽略了序列中不同时间距离特征对于最终结果影响程度的不同，本文还提出了长短期注意力机制的网络结构来探索用户局部行为对全局特征的影响程度。在现实任务中，操作用户的意图具有时间转移性，我们对不同时间范围的操作序列采取了不同的注意力机制进行更具针对性的用户意图获取。本论文模型的分段注意力网络在保留循环神经网络处理时序时序数据有点的同时采用不同机制的注意力结构来克服长距离依赖限制，它能够同时考虑到操作对象组织中长期和短期的操作对象对全局组织的不同依赖关系，将不同时间间隔对象群体对于操作组织的影响程度进行不同的特征表示。模型在两个山东省监狱数据集上的实验结果也证实了该网络结构的有效性。