信息指数增长,使得基于智能算法及用户特点为用户推荐优质内容成为目前研究热点;然而,用户兴趣的频繁变化给推荐算法的设计带来挑战。非时间敏感算法在实际推荐场景中无法即时捕获用户动态兴趣导致的预测偏差,而现有的时间敏感算法主要通过复杂人工特征和多模型集成来学习用户动态行为,给模型设计和线上更新带来了负担。因此,端到端的时间敏感推荐算法设计,对于优化推荐算法精度和简化模型设计具有较大的研究价值。论文通过定性和定量分析推荐系统的动态性,表明用户动态兴趣由用户长期兴趣和短期兴趣共同决定,同时存在用户偶然兴趣,对用户动态兴趣预测造成干扰。基于此原理,本文针对推荐系统中的用户评分预测问题,使用非时间敏感算法分析用户历史行为的静态兴趣表现,预测用户的基准评分,并基于深度循环网络挖掘用户动态兴趣的变化规律,计算用户兴趣动态性对用户评分造成的偏差,对用户基准评分进行修正。本文具体工作及贡献在于:1)提出长短期兴趣网络LSIN,使用以深度循环网络为基础的短期兴趣网络来提取用户的短期兴趣特征,并建立长期兴趣网络提取用户长期兴趣,融合用户长短期兴趣特征,获取用户动态兴趣特征,计算用户当前时刻的评分偏差。2)提出一种新的长短期兴趣特征融合方法,根据长短期兴趣特征与电影特征的余弦相似度来对用户长短期兴趣特征进行加权融合,提升了模型获取动态兴趣特征的准确性。3)在长短期兴趣模型基础上,建立A-LSIN模型,使用注意力机制评估用户近期行为对当前时刻兴趣的影响,从而降低用户偶然兴趣对动态兴趣预测的干扰,并且进一步提升了循环网络结构的远程依赖能力。4)使用Netflix的多个电影评分数据集来验证本文模型及其改进的性能提升,并且与目前主流的推荐算法进行比较。本文模型在Netflix多个数据集上的表现均优于其它对比算法,在Netflix全数据集上的RMSE为0.9119,相比非时间敏感算法PMF降低2.2%,比时间敏感算法TimeSVD++降低1.8%。