互联网的迅速发展导致数据指数式增长,人们难以从海量数据中获取有效信息,这便是信息过载问题。信息过滤是解决信息过载问题的有效方法,推荐系统作为信息过滤技术的代表,近些年受到学术界和业界的广泛关注。传统推荐方法根据用户的历史交互物品,建模用户长期偏好并给用户推荐其可能感兴趣的物品。然而,用户的兴趣可能会发生改变,而且用户的短期交互物品通常对预测更重要。与传统推荐方法相比,同时建模用户长期偏好和短期偏好的序列化推荐方法能获得更准确和动态的推荐结果。序列化推荐方法中,马尔科夫链模型简单高效并在稀疏数据集上取得了较好的推荐效果,然而现有的基于马尔科夫链的序列化推荐方法还存在以下不足:1)建模用户长期偏好时,未考虑到用户历史交互的不同物品对预测目标物品的贡献程度不同;2)建模用户短期偏好时,忽视了用户短期交互的不同物品对预测的贡献程度差异,和同一个物品在不同时刻下对预测的贡献程度差异。针对上述问题,本文设计长期注意力网络,用于自适应学习用户历史交互物品对预测目标物品的不同贡献权重;设计短期注意力网络,用于自适应学习用户短期交互物品对预测目标物品的不同贡献权重,同时该短期注意力网络能自适应学习同一个物品在不同时刻下的贡献权重。本文的主要贡献总结如下:(1)设计了一种联合注意力机制的序列化推荐模型(neural co-attention model for sequential recommendation,NCAM),能同时自适应建模用户的长期偏好和短期偏好。(2)NCAM具有通用的结构,本文分析了现有的部分主流推荐模型也是NCAM的特例;同时,NCAM具有一定的灵活性,能够支持多种聚合策略,本文研究了NCAM在不同聚合策略下的推荐结果。本文在4个真实的数据集上进行了大量实验。与当前主流的推荐模型相比,NCAM在2个主流评价指标(HR和NDCG)上的实验结果都具有明显优势,验证了NCAM中联合注意力机制同时自适应建模用户长期偏好和短期偏好的有效性和合理性。