在大数据背景下,推荐系统是解决信息过载问题的关键技术之一,面对用户身份无法获得的情况,传统的基于用户身份标识或评分记录的推荐将不再适用,而基于用户行为的会话推荐是一种有效的解决方案。在基于会话的推荐场景下,模型的输入主要为用户的行为信息,其按时间跨度可以分为两种,一种是在短期时间内的特定兴趣,另一种是长期行为所代表的兴趣偏好。如何将用户的短期行为和长期行为进行更好地利用,表达出用户的完整行为意图,从而提升推荐的效果,是一个非常具有挑战性的问题。现有的针对用户长期行为的建模方法,主要是使用循环神经网络或者注意力网络对用户的长期行为偏好进行建模。循环神经网络无法解决序列数据间的长跨度依赖问题,传统的自注意力网络在计算的过程中注意力权重存在长尾分布。基于上述问题,本文提出了概率筛选机制,并在此基础上构建了基于概率多头自注意力（Probabilistic Screening Self Attention,SSA）的建模方法用于建模用户的长期行为。该改进方法筛选了不重要的权重联系,将传统自注意力网络的时间复杂度由（~2）降低到了（7）7)7)7)7)7)),减少了权重噪声对网络的干扰,随后本文通过实验对改进建模方法的有效性进行了验证。会话推荐是用户短期行为和长期行为的序列表示和交互问题,所以还需要对用户的长期历史行为和短期行为特征表示进行完善,更好地表达出用户的完整行为意图从而提升推荐的效果。为解决此问题,本文引入了复合卷积方案用于会话中短期行为信息的建模,并在此基础上结合了之前提出的改进SSA方法,构建了基于复合卷积和概率自注意力的网络模型（Compound Convolutional and Probabilistic Screening Self Attention Network,CCNN-SSA）。该模型利用不同空间维度的卷积模块来提取复杂的短期行为特征,同时使用了概率多头自注意力从会话中学习长期行为交互关系。随后本文在两个电子商务基准数据集上通过实验验证了CCNN-SSA模型的有效性与合理性。