推荐系统是计算机算法领域的重要技术,在现今大数据时代的背景下,推荐系统在各个领域中的应用也越来越广泛,推荐系统也是许多互联网服务的核心环节,电商、新闻、短视频等领域,都离不开相关的推荐系统。推荐系统的核心是推荐算法,相较于基于流行度的推荐算法,千人千面的个性化推荐算法可以有效的提升用户的使用体验,同时为提供服务的商家带来明显的收益。基于会话的推荐场景是移动互联网里一个常见的推荐场景,用户在每次产生浏览行为时会生成一个会话,会话中常见的信息是用户的浏览和点击商品记录,推荐系统会根据这些信息,给正在浏览的用户生成推荐的商品列表。因为利用了用户的实时浏览记录,基于会话的推荐可以更好的捕捉用户短期内的行为偏好信息,同时还可以结合用户的长期历史记录来辅助训练模型,融合用户的长短期行为偏好共同进行推荐,进一步提升推荐结果的准确率。现有基于会话场景的主流推荐算法通常使用以长短期记忆网络或者门控循环单元为基本结构的循环神经网络来建模会话中的用户浏览记录,或是使用自然语言处理领域中的注意力机制来建模用户在会话内的短期行为记录,这些模型最初被设计用于提取文本内部词语之间的关联性信息,与实际的会话推荐场景存在一定的差异性。对于用户的长期历史点击记录,其内部商品之间存在着除顺序模式以外的多种序列模式,针对这一特性,本文设计了一种RCNN的网络结构来建模序列内部的多种序列模式,该模型利用多尺度的CNN网络提取序列内部商品的联合模式和跳跃模式,再利用RNN网络学习序列中的顺序模式,克服了依赖单一循环神经网络编码结构的局限性。对于用户的短期会话记录,为了更好的利用序列内部的相关性信息,本文提出了一种融合FM模型的注意力机制框架——AttentionFM模型。该模型将Transformer模型中的Self-Attention机制与点击率预估领域的经典模型FM模型相结合,利用FM模型中特征交叉的思想来计算会话内商品之间不同维度上的相关性信息,再将这些相关性信息组合起来。最后,为了解决短会话中商品序列长度较短,用户偏好信息不足的问题,本文将提取用户长期历史偏好的RCNN模型与提取会话内短期行为偏好的AttentionFM模型融合在统一的模型框架中,利用用户的长期历史信息来辅助模型的训练,提出了一种融合用户长短期行为偏好的混合推荐模型框架。为了验证本文提出算法的有效性,最后将提出的模型框架在两个公开数据集上与多种主流推荐算法进行了对比实验,实验结果表明本文提出的算法均在一定程度上提升了推荐系统的准确率,并且能有效的缩短模型的训练时间,提高推荐系统的推荐效率。