在当前序列推荐算法中,利用深度学习的方法提取用户历史序列中的相关信息已经成为了主流。但目前大多数基于深度学习方法的推荐模型都存在序列辅助信息利用不充分的问题。此外,如何从用户序列中构建用户的长期兴趣表示也是一个关键问题。因此,本文基于上述两个问题,提出了两个新的序列推荐模型,之后利用上述提出的一个模型设计了一个小型的个性化推荐系统。主要工作如下:（1）针对基于自注意力机制的序列推荐模型忽略了各类辅助信息,导致模型不能利用它们捕捉多层次序列关系模式等问题,提出了一种融合时间上下文和特征级信息的推荐算法（Integrating Time Context and Feature-level Information for Recommendation Algorithm,ITFR）。首先将物品表示与其每一个属性表示连接起来输入到一个注意力网络,经过注意力加权后得到一种基于属性的物品表示。然后ITFR应用了感知时间间隔的自注意力区块和基于物品-属性的自注意力区块分别捕捉物品与交互序列时间间隔之间的关系模式和物品与属性之间的隐式关系。最后将两个自注意力区块的输出表示连接起来,并将其作为联合输出表示输入到全连接层用于下一个物品的推荐。实验结果表明,融入辅助信息增强序列表示的方法可以提升推荐性能。（2）用户的兴趣通常也分为长期兴趣和短期偏好,针对现有的推荐模型忽略用户长期兴趣,导致模型不能利用用户长期兴趣表示做推荐等问题,提出了一种基于相似用户块的长短期序列推荐模型（Long-term and Short-term Sequence Recommendation Model Based on Similar User Blocks,LSRSU）。首先设计一个用户相似块结构来学习动态物品的表示,利用该结构得到一个基于物品的与用户相关的嵌入表示。将每一个基于物品的且与用户相关的嵌入表示拼接成一个物品相关的用户表示矩阵。经过压缩后最终将该表示作为用户的长期兴趣表示。第二个部分是利用自注意力区块来获得用户的短期偏好表示。第三个部分是通过计算候选物品与相似用户关联物品表示的相似度以及候选物品与用户最近序列交互商品的相似度来计算长期兴趣表示和短期偏好表示的权重。最终生成用户长短期兴趣的综合表示。实验结果显示在两个公开数据集中,LSRSU模型相比于基准模型均有不同程度的性能提升。（3）在本文提出算法的基础上,采用Movielens-1M数据集,设计了一个个性化电影推荐系统。首先将最新的用户历史行为序列输入到ITFR模型中,生成一个综合表示。其次将综合表示与电影库里的电影嵌入表示做内积计算其相似度。根据相似度得分从高到低筛选出前N部电影进入召回层推荐列表中。之后将召回层推荐列表中的候选电影信息输入到Deep FM模型中进一步排序,候选电影按点击率从大到小展示,最后将排序后的电影推荐列表推送给客户端。最终的结果表明该小型电影推荐系统真实地利用了用户历史交户序列信息提升了推荐的性能,具有一定的实际意义。