大数据时代让人们获取了丰富多彩的信息,同时也为人们带来了选择困难症。然而,最好的选择就是不需要选择。推荐系统能够根据用户的历史交互信息帮助他们从大量数据中发现其可能感兴趣的项目,在一定程度上缓解了信息过载的难题。传统的推荐系统以静态的方法构造“用户-项目”之间的二元关系,分析用户的历史行为从而挖掘用户的喜好。这样的推荐算法通常假设用户的偏好是稳定不变的。因此,产生的推荐结果有一定的局限性。上下文感知推荐系统将对用户偏好有影响的上下文信息融入到传统的二元关系中,提高了对用户偏好建模的准确性,但依然无法灵活捕获用户动态变化的兴趣。而事实上,用户的行为序列所反映出的信息能够更直观地体现出用户的偏好轨迹。因此,从用户的序列信息中捕获动态偏好对生成高度个性化的推荐结果有着非常重要的意义。针对上述问题,本文对基于上下文感知的序列推荐系统展开深入研究,提出了一种基于上下文感知的自适应融合长短期偏好的用户模型,简称CA-LSTP模型。本文的主要研究内容如下:1、传统的RNN模型对序列建模表现良好,但在建模时只关注用户的交互顺序而忽略了交互中隐藏的丰富的上下文信息。本文基于交互序列中隐藏的交互类型上下文和时间间隔上下文对用户的短期偏好建模提出了改进。首先,考虑到用户行为具有多样性的特征,不同的行为类型可以反映出用户对项目不同的喜爱程度,为了捕获用户所交互项目间的相似性,本文提出了一种基于用户行为类型的嵌入网络。之后,提出了一种自注意力机制来获取用户基于交互类型上下文的短期偏好表示。其次,针对时间间隔上下文,本文对LSTM模型提出了改进,增加了两个时间感知特征提高了模型对时间的敏感度,便于获得用户基于时间间隔上下文的短期偏好表示。最后,将上述两点融合完成了对用户短期偏好的建模。2、传统的推荐系统忽略了用户的长期偏好会随着时间的推移而不断变化的这一因素,静态地构建用户模型并不能完全反应用户的特征。因此,本文基于用户行为序列对用户的长期偏好模型提出改进。与短期偏好不同,长期偏好是长期积累下来并且相对稳定的,只有部分的交互类型上下文能清晰地描述用户的长期偏好行为。所以,在对用户长期偏好建模时将选择利用有效的行为类型来对模型进行更新,保证了用户的长期偏好也是随着时间而缓慢地动态变化。为了实现这一需求,本文基于特定交互类型上下文对双向LSTM模型提出改进来优化用户的长期偏好模型。3、长期偏好和短期偏好各有优缺点,在融合之时哪一种偏好应该占有更重要的权重应该是由实际情况决定的。因此,需要采用一种自适应的融合方法才能合理地容纳这两个部分。本文采用基于上下文的注意力机制来自适应融合长短期偏好。最后,基于BPR优化准则采用两两排序算法对模型进行优化。4、将CA-LSTP模型与一些基准模型在亚马逊数据集和天池数据集上进行了对比实验。实验结果表明,相比其他基准模型,本文提出的CA-LSTP模型在推荐准确度和性能上都具有更好的表现,同时也验证了构建用户偏好模型时考虑上下文信息对精确预测用户偏好的重要性。5、以CA-LSTP模型为核心,使用SSM框架、Bootstrap框架以及j Query库设计并实现了一个完整的交易商城个性化推荐系统。