信息技术发展的同时也导致了信息过载问题,其极大影响了线上用户体验,推荐是解决这一问题的一类策略。如何捕捉用户的兴趣迁移,提取用户的主要兴趣从而实现精准推荐是推荐系统面临的一个重要挑战。然而,目前主流推荐算法以用户画像等信息为依据提供个性化推荐,对用户兴趣的变化过程考虑不充分,所以无法应用在用户画像等隐私数据难以获取的一些应用场景中（如,会话型推荐系统）。本文聚焦会话型推荐系统,对匿名用户的行为建模方式展开研究,通过分析有限的用户行为数据实现对用户兴趣迁移的捕捉,从用户的动态兴趣变化中提取用户的主要兴趣偏好,从而提高推荐的准确性。本文提出了两种新颖的神经网络模型来解决以上问题,其中有三点主要贡献:1)针对用户兴趣变化,短期兴趣不能充分反应用户主要兴趣的问题,我们充分融合了用户的长期、短期与当前兴趣偏好对用户的行为进行预测,提高了对用户主要兴趣的表征能力。由于用户行为数据是具有时间顺序的序列数据,因此本文基于循环神经网络对用户的行为数据进行初步建模,在此基础上提取用户的长期、短期与当前兴趣偏好。2)针对传统注意力机制只计算项目整体权重,而忽略了项目特征的问题,提出了项目特征级别的注意力机制。该机制能够有效地过滤用户的误点击行为,同时从项目特征维度提取用户的主要兴趣,实现对用户偏好的精确建模。3)针对以往方法只对点击顺序建模,损失了用户个性化信息的问题,提出了时间感知的序列推荐模型。该模型能够考虑序列中的个性化因素,实现个性化预测。另外,模型根据用户在不同项目上的停留时间,对不同的项目分配不同的权值,以此为基础提取用户的兴趣偏好。因此模型能更好的利用用户的行为数据对用户的兴趣偏好进行提取,提高了推荐性能。本文围绕以上内容,基于真实数据集,设计并开展了大量的实验验证工作,并与相关工作进行了对比,充分验证了提出方法的有效性。