随着互联网时代的到来,每天有数以亿计的信息在网络上更新,当用户需求不明确时,如何在纷繁复杂的信息中快速找到用户所需内容成为了挑战。推荐系统不仅可以向用户推荐曾经购买过的其他类似物品,还可以通过推荐物品附件来增加用户购买量,捆绑推荐相比于传统推荐更加符合用户的消费习惯及购买偏好。在捆绑推荐基础上针对捆绑包中各个物品的序列关系,综合考虑静态捆绑包及动态捆绑包,提出序列化的捆绑推荐模型。不仅考虑捆绑包间的序列关系,还考虑捆绑包中各个物品间的序列顺序,捕捉用户全局偏好的同时考虑用户的局部偏好。模型首先加入各个物品的时间潜在表征保证了捆绑包内各物品的序列顺序,利用自注意力机制将用户的交互物品进行融合,学习各物品在捆绑包内的权重分布,融合成捆绑包后加入各个捆绑包的位置信息保证了捆绑包间的序列顺序。其次利用卷积神经网络捕捉捆绑包中各物品的特征信息及捆绑包间的序列模式,捕获用户局部偏好,并将其与全局偏好相结合,可以更准确描述用户整体偏好,提升推荐准确性。此外,由于文本中包含大量语义信息,针对捆绑推荐中存在的冷启动问题,将评论信息划分为用户评论及物品评论,并通过将用户评论和物品评论分别与用户及物品的潜在表示相融合的方式来缓解冷启动问题。在亚马逊三个真实数据集上的实验结果表明了模型的有效性。通过设置不同参数与其他模型进行对比,结果表明模型在不同参数设置下仍有较好表现,所提模型在捆绑推荐中相较于现有方法有一定的改进。