推荐系统对于电商、资源提供类网站的发展起着至关重要的作用,是网站增加用户粘性度、提高网站盈利的一个重要手段。推荐算法是推荐系统的主体,其推荐性能的提高与推荐结果的精准性问题一直是该领域所关注的核心问题。推荐算法研究的一个重要子领域是序列推荐(Sequential Recommendation)。序列推荐算法从历史行为轨迹的角度来分析用户和物品的交互数据,其将用户的历史行为看作序列数据,使用马尔科夫链、循环神经网络等序列信息处理方法来对其进行建模,同时结合协同过滤、分解机等算法,对用户和商品之间的相关度进行度量,进而对用户下一步行为做出预测。近年来,有很多前沿工作将目光集中在循环神经网络上,并通过引入注意力机制来增强模型的表达能力。此外,还有一些工作使用卷积神经网络或纯粹的自注意力机制来建模序列推荐问题。这些工作在算法性能上取得了较大提升,但在表达用户序列行为的能力上仍然存在着不足。用户的序列行为模式研究是序列推荐算法研究的重中之重。根据用户行为模式的不同,我们可以将序列模式分为Union-Level序列和Individual-Level序列。在出现这两种序列模式的同时,又会出现跳跃性序列行为。针对这几种序列模式,目前主流推荐算法如马尔科夫方法、循环神经网络方法等都在这几种序列模式的表达上有着不足之处。本文针对Union-Level序列模式,采用循环神经网络来进行建模。针对Individual-Level序列以及跳跃性序列行为问题,引入了注意力机制,依靠注意力机制优秀的强调与忽略能力来对循环神经网络进行改进。在融合两种结构的基础上,我们又提出了基于用户意图的方法来加强网络表达能力,同时增强循环神经网络个性化推荐的能力。总的来说,本文主要工作如下:1.我们在循环神经网络加注意力机制推荐算法的基础上,提出了一种基于用户意图的循环神经网络(UIGR)。模型将用户意图信息融合进了注意力机制中,增强了循环神经网络模型对用户的跳跃性序列行为进行表达的能力,从而更加精准地获取到不同用户的不同意图。2.我们将基于用户意图的循环神经网络与两种经典方法MF算法与Translation-based算法进行融合,构造出模型UIGR-MF与UIGR-Trans,来处理序列推荐任务,并在推荐性能上取得了出色的效果。3.我们在两个真实数据集Amazon Video Game和Amazon Office Product上,做了充分的实验进行模型验证。实验中,我们将本文所提出模型UIGR-MF和UIGR-Trans与主流的推荐算法模型在两个评价标准NDCG@K和HR@K上做了充分对比。相比于对照算法的最优性能,UIGR-MF在两个数据集上分别取得了11.76%、7.99%(NDCG@10、HR@10)和14.60%、6.10%(NDCG@10、HR@10)的效果提升。