相较于以协同过滤算法为代表的传统推荐系统,序列推荐系统凭借其有效捕捉用户与项目交互的时序关联这一优势,逐渐成为当下推荐系统的研究热点。其中,跨领域序列推荐算法通过知识迁移引入其他领域的辅助信息,可有效应对推荐系统普遍存在的数据稀疏和冷启动问题,在近年来受到了各界的广泛关注。然而,现有的跨领域序列推荐方法大多仅基于重合用户样本空间进行训练,忽视了现实场景中重合用户占比较小的客观事实,使得训练空间与实际应用推荐的全量用户空间存在明显的系统分布差异,这将导致模型最终预估结果是有偏的而损害推荐效果。此外,该类方法无法对非重合用户进行有效推荐,并且对实际应用场景中重合用户的样本质量和数量都有较高要求,极大限制了模型的适用范围。为了解决上述问题,本文提出一种基于对抗学习的跨领域序列推荐模型。该模型主要由基于自编码器的生成对抗网络和基于自注意力的特征提取器构成,前者学习用户跨领域的长期偏好,后者则用于建模用户的即时兴趣。具体而言,该生成对抗网络首先采用自编码器基于源领域和目标领域各自的交互序列学习用户表征,然后使用对抗学习的训练策略使两个领域用户表征的分布趋同,以达到将源领域知识迁移到目标领域的目的,使模型获得更加优异的特征表示和泛化能力。此外,考虑到用户动态变化的即时兴趣对推荐的影响,该模型还使用一个基于自注意力的特征提取器建模用户的近期交互序列,并以重要性为依据为不同项目分配权重,从而有针对性地挖掘用户的即时兴趣。最后,结合用户的长期偏好和即时兴趣建立序列推荐模型,为用户提供更加全面、准确的下一项目推荐。本文基于Amazon的四个公开数据集设计并进行了广泛的对比实验。实验结果表明,针对序列推荐问题,所提模型比业界最先进的序列推荐模型在归一化折现累积收益和命中率指标上表现更优,验证了跨领域知识迁移和用户即时兴趣提取的有效性。除此之外,本文设计了序列推荐框架和针对于视频推荐的序列推荐系统,该系统现已应用于实际工程项目中,让项目工作者更加便捷有效地为视频平台用户提供更优质的推荐。