在大数据时代,信息技术发展迅猛,用户面对信息浪潮的席卷越来越难做出准确有效的信息筛选,这使得推荐算法在提升信息过滤速率和精准匹配信息需求中的作用显得尤为重要。序列推荐算法通过提取用户行为的序列特征,对用户可能产生的行为进行预测。相较于只针对静态的用户或项目特征进行建模的传统推荐算法,序列推荐算法能够捕捉用户行为中动态变化的偏好,得到更加精准的推荐结果。卷积神经网络能够同时提取用户行为序列中点对点序列特征和联合型序列特征,非常适合用于序列推荐算法中。本文对基于卷积神经网络的序列推荐算法进行了深入研究,并基于现有卷积序列推荐算法的不足进行改进,主要内容如下:针对已有序列推荐算法提取特征深度不足且使用的特征类型单一的问题,提出了一种基于CNN与多样特征组合的序列推荐模型。现有的卷积序列推荐算法使用单层卷积网络提取序列特征,忽略了更加深层复杂的特征;另外,现有算法只将用户ID作为一般特征与序列特征进行融合,特征类型太过单一,能捕获的有效信息较少。本文利用多层卷积神经网络对深层复杂特征进行提取,并将多项用户统计学特征和项目属性特征作为一般特征与序列特征融合,达到增加特征多样性的目的。针对已有序列推荐算法对一般特征融合不充分的问题,提出了一种基于CNN与x Deep FM的序列推荐模型。现有卷积推荐算法采用直接拼接或应用多层感知机的方式组合一般特征,不能对一般特征进行充分有效的特征组合。本文利用一种先进的特征组合模型x Deep FM对一般特征按特征字段进行更加充分有效的组合,并将特征组合后得到的新特征与CNN提取的序列特征融合,进一步提升序列推荐模型整体的预测效果。本文通过在电影评分类的公开数据集上进行多组对比实验,最终证明了两种基于CNN的序列推荐算法都能够对用户行为进行有效预测,且预测效果优于传统的个性化推荐算法以及现有的基于卷积神经网络的序列推荐算法。