序列推荐的主要任务是根据给出的用户行为序列,预测用户下一步可能的行为,并生成个性化推荐列表。目前这种技术已经被广泛应用于兴趣点推荐、音乐推荐和游戏推荐等常见领域。然而,近年来随着数据采集技术的发展,越来越多的数据特征可被用于序列推荐,如何从中合理地选取用于推荐的有效信息成为构建序列推荐系统面临的关键挑战之一。首先,用户的行为偏好可能会随着时间动态变化;其次,用户的行为之间存在消极影响,比如已经购买的类似物品可能不会在短期内重复购买;最后,过长的行为序列会导致模型丢失部分历史信息。传统的序列推荐方法难以有效解决上述问题与挑战。本文针对上述问题和挑战展开研究,深入分析用户交互事件之间的重要联系,提出了两种序列推荐的方法。本文主要工作包括如下两个方面:(1)为了挖掘事件的内部关系,正确反映事件之间的正反馈和负反馈,进而提升推荐和预测效果,本文提出了一种基于霍克斯过程的序列推荐模型,针对用户兴趣和事件之间的复杂关联关系进行显式建模。实验结果表明,本文提出的模型比现有的先进方法具有更好的推荐效果。(2)为了更加合理利用序列中的时间信息,同时应对长序列中存在的序列信息丢失问题,本文提出了一种新颖的序列推荐模型。该模型结合间隔时间和持续时间信息来准确地为用户的长期和短期兴趣进行建模,同时在输入层中结合了序列的全局上下文信息,以更好地利用长期序列信息。此外,该模型引入了耦合输入和忘记门的方法,以提高序列建模和推荐预测的效率。实验结果表明,在长序列的建模中,该模型比现有的先进方法具有更好的推荐效果。