近年来,推荐系统得到迅速发展,在工业界和学术界均受到极大关注。目前有许多推荐系统的解决方案,比较传统和经典的是协同过滤推荐算法。基于模型的推荐算法也是一大类,其中,注意力机制的方法能将焦点放在最能够体现用户兴趣偏好的特征上,能较好的捕捉用户兴趣的动态性和多样性,所以基于注意力机制进行推荐算法研究具有很大的意义。为了证明注意力机制在处理短期会话时相比DNN、RNN具有更好的效果,首先研究一种基于短期会话的推荐算法,根据用户短期行为特征信息进行推荐,利用位置编码来获取用户行为数据的相对位置信息,然后通过多头自注意力网络对用户短期兴趣进行捕捉,再通过注意力机制转换成单个嵌入向量,最后输入DNN模型进行预测和召回步骤。考虑到用户长期行为特征信息,为了使推荐算法具有更好的效果,在短期会话的基础上,融合长期会话数据,进一步研究一种基于长短期会话的推荐算法,并行使用多个注意力捕捉长期会话中多个用户历史行为特征,然后使用注意力机制对长短期特征赋予权重,构建最后的嵌入向量。对研究的两种模型进行实验,同时加入传统的协同过滤模型以及一些基于深度学习的模型作为对比实验,通过召回率、精确率、F1 Score以及Hit Ratio这四个指标对模型进行评估。实验结果分析发现,基于短期会话的推荐模型在各项指标上有不错的表现效果,而基于长短期会话的推荐模型表现最好,在Hit Ratio上要比基准模型提高6.83%,相对基于DNN的推荐算法提高了5.9%,实验结果验证了设计的模型具有可行性和有效性。同时,对模型的参数进行了实验分析,结果表明,多头自注意力网络头个数为4以及兴趣融合方式为注意力时模型表现效果最好。