信息时代飞速发展，给人们生活带来便利的同时也带来了信息过载。推荐系统作为一种重要的工具在各种在线平台上为消费者带来了极大的便利。神经网络和注意力机制在自然语言处理等序列任务上有着突出的表现，因此也被迅速应用到了推荐系统中。神经网络相关的推荐算法主要是通过多层感知机来获取用户的总体偏好，而注意力机制相关的方法则主要利用其能够获取序列重点的特性来实现用户序列推荐。这些方法在隐式反馈推荐上分别取得了很好的效果，但是后续的研究却发现，这样的方法并不能很好的获取用户序列更深层的特征和关系。
　　为了提取用户序列深层次的特征并提升推荐性能，提出了一种使用神经网络和自注意力机制来结合用户长期与短期特征的序列推荐方法。一方面通过向量组合拼接的方式来组织用户与物品向量，并使用多层神经网络来学习用户与物品的交互关系，能够根据用户以往的所有交互信息获取到用户的全局长期特征。另一方面使用基于自注意力机制的序列推荐方法，通过用户交互序列中最近的部分历史交互信息来学习序列物品之间的自注意力权重，并提出新的自注意力计算方法来提取用户序列维度之间更细粒度的关系，进而根据这些近期物品信息获取用户的短期序列特征。最后使用融合策略综合考虑两种方法来对目标用户进行推荐，实现兼顾长期与短期特征。
　　对于所提出的基于自注意力机制的长短期序列推荐方法，在Amazon和MovieLens的多个数据集上进行了大量的实验验证，并与目前流行的一些推荐方法进行对比。结果表明在相同的实验环境下，基于自注意力机制的长短期序列推荐方法在一定程度上超越了当前主流的一些协同过滤推荐以及序列推荐算法。