近年来,随着信息技术的快速发展,人们从网络上能够获取的各类信息迅速增长。人们虽然能够轻松获取各类信息,但在庞杂的数据流中搜寻自己感兴趣的信息变得越来越困难。个性化推荐系统可以缓解这类问题,帮助人们从海量信息中获取到符合自身喜好的内容,同时也能够给企业平台带来一定的收益。目前运用深度学习构建推荐算法已经成为了主流,其中利用深度学习方法对用户的历史行为序列数据提取用户偏好信息是许多研究的重点。现有的基于深度学习的序列推荐算法对于用户偏好的提取往往不够全面,忽视了用户自身的长短期偏好兴趣的影响问题。此外如何将用户行为序列中的用户评分信息和时间间隔信息融入到用户偏好中也是一个关键问题。本文针对上述问题,提出了基于Transformer编码器和卷积的序列推荐模型,并在该模型的基础上融入了热门物品的传播信息和时间间隔信息。本文的研究工作以及创新点主要包括以下几方面:（1）针对现有基于序列的推荐模型忽视用户自身长短期偏好兴趣的问题,提出了基于Transformer编码器和卷积的序列推荐模型SRec-TC。该模型首先将用户行为序列进行嵌入表示得到嵌入向量,之后利用Transformer编码器中的注意力机制捕获用户行为序列中的用户长期偏好,然后将嵌入向量看成一张“图像”并利用卷积神经网络抽取用户的短期偏好,最后合并用户的长期偏好和短期偏好得到用户更深层次的偏好信息。（2）针对现有基于序列的推荐模型忽视了热门物品的传播力影响以及忽视行为之间时间间隔的影响这两个问题,在SRec-TC模型的基础上提出了基于热门物品传播力和时间间隔影响的序列推荐模型SRec-IPTI。该模型首先通过信息传播模型计算出用户行为序列中所涉及物品的传播力,通过物品的传播力修正用户的评分信息并构建修正评分后的用户评分矩阵,然后根据用户行为序列中的时间戳构建时间间隔矩阵,之后将评分矩阵与时间间隔矩阵融入Transformer编码器中得到一种基于评分和时间间隔的Transformer编码器,最后利用该编码器和卷积神经网络分别提取用户的长期偏好和短期偏好得到用户更全面的偏好信息。（3）对上述模型进行实验分析,并在此基础上设计开发电子游戏推荐系统。本文在三个真实的且稀疏程度不同的开源数据集上与常见的序列推荐模型进行对比实验。实验结果说明,所提SRec-TC模型和SRec-IPTI模型具有较好的推荐效果。最后,将上述模型应用到电子游戏推荐系统中,为电子游戏信息平台提供推荐服务。