近年来,随着信息技术飞速发展,各种依托于互联网的在线服务平台遍地开花,蓬勃发展,同时信息过载问题也越来越严重,为减少用户搜寻感兴趣信息所消耗的时间成本和增加平台收益,推荐系统应运而生。从本质上讲,用户的在线行为(如浏览、点击、购买等)能够沿着时间轴自然地形成一个动态序列,因此在推荐系统中,循环神经网络和卷积神经网络是两个最常见的建模用户行为序列的基础模型。然而,基于循环神经网络的推荐方法通常面临着难以保持行为序列中的长期依赖关系的问题,并且受循环结构的限制,这类方法通常在离线训练和在线预测阶段都比较耗时;受卷积核大小影响,基于卷积神经网络的推荐方法容易过分强调几个连续行为之间的相互作用,这使得它们也很难捕获到长期依赖关系。最近,基于注意力机制更加擅长捕捉序列中的长距离依赖关系,并且更适用于并行计算,因此已有一些研究将其运用到推荐系统中,然而,这些基于注意力机制的方法可能仍然面临着一些问题,比如难以学习到用户多面、细粒度的兴趣偏好等。为此,本文摒弃循环网络结构,构建了一种新的神经网络模型,其包含项目级别的注意力机制和特征级别的自注意力机制两个主要组件,前者从用户行为序列中挑选出与用户兴趣偏好相关的行为,后者再从这些相关的行为中挑选出与用户兴趣偏好相关的特征,最终促使模型能够捕捉到用户细粒度的兴趣偏好。此外,考虑到用户的兴趣偏好包含长期偏好和短期偏好两种,并且短期偏好似乎更能反映用户下一次行动的意图所在,因此之前的模型结构被调整和完善,项目级别的注意力机制被用来捕捉用户多面的长期偏好,特征级别的自注意力机制和垂直卷积操作被联合起来捕捉用户细粒度的短期偏好。最终通过门控单元,用户的长期偏好和短期偏好被融合在一起。本文在多个真实数据集上对所提模型进行实验验证,结果表明了本文所提的方法能够取得较好的推荐结果。