随着网络数据的激烈增长,推荐系统已经成为各种在线应用程序中的重要组件,也在人们日常生活中担当着不可或缺的角色。传统的推荐系统主要是根据用户长期历史行为以及用户各种属性信息进行静态建模,着重于从用户与物品交互中发掘其静态关联。然而在日常生活中,用户偏好的演变决定着未来购买物品的趋势,并且用户的兴趣偏好和物品热度基本上都是随着时间的流逝而改变。序列推荐试图通过对用户的序列行为信息进行建模,并侧重关注用户与物品之间的交互,考虑序列之间的相关性,再按时间顺序对交互进行排序,捕捉用户的长期偏好和短期偏好。注意力机制作为一种资源分配方案,它强调输入的各部分对输出的影响程度不一样,将有限的计算资源用来处理更重要的信息。近年来该机制在序列推荐系统中也被广泛使用,是解决信息超载问题的主要手段之一。但现在大多数基于注意力机制的推荐算法通常都忽视了用户兴趣偏好的不确定性,且对用户序列行为中物品到物品之间的协同传递性不太重视。本文的主要工作如下:（1）提出一种融合用户兴趣,且具有协同传递特性的注意力机制的序列推荐模型Mac Seq Rec（Multi-head Attention Coordination Sequence Recommendation）。该模型基于多头注意力机制,通过建模用户最近历史序列行为,得到用户短期兴趣的表示。同时设计了具有协同传递性的注意力机制,通过该机制对长期序列行为进行建模,得到用户长期兴趣的表示。最终加权融合长短期兴趣,形成用户的兴趣偏好。实验结果显示,所提出的模型在平均倒数排名（MRR）（Mean Reciprocal Rank）、归一化折损累计增益（NDCG）（Normalized Discounted Cummulative Gain）以及命中率（HR）（Hit Rate）上优于其他方法。（2）基于上述序列推荐模型,设计实现了基于微信小程序端的电影推荐系统。本系统通过对用户与电影的各种属性、以及用户最近序列行为中暗含的偏好信息进行建模,采用注意力机制对最近目标属性行为进行加权,实现序列信息的有效提取,融合用户历史属性与短期偏好,通过以点击的方式与微信小程序交互,实现电影的个性化推荐。