近年来,为了应对互联网中每天爆发性增长的信息量,并且在海量数据中挖掘用户的兴趣点,研究者们提出了一系列的推荐模型以及智能化的推荐系统。随着深度学习的发展和引入,研究者们对推荐模型进行了进一步的研究,其中从用户行为序列中挖掘用户的兴趣偏好进行推荐是当今关注的重点。用户行为序列具体表现为用户对历史浏览物品的点击记录、评分记录,购买记录等序列信息,从中可以挖掘到用户兴趣的动态变化,并更精准地向用户推荐喜欢的内容。现有的大多数基于深度学习的推荐模型通常是将最近的用户行为序列进行池化操作或者使用循环神经网络提取序列的抽象表示作为用户的兴趣偏好,对于更长的行为序列挖掘的还不充分,难以捕捉到用户行为序列和用户偏好之间存在的内在联系。针对上述问题,本文的主要工作如下:（1）基于循环神经网络RNN和注意力机制提出了融合长短期用户行为的推荐系统召回模型LSIN（Long and Short Interest Network）。该模型将用户行为序列划分为长期和短期序列,使用循环神经网络进行编码,然后结合用户属性特征,用注意力机制抽取短期和长期用户行为序列中的用户兴趣特征,使模型在推荐系统的召回阶段进一步挖掘用户的兴趣偏好。（2）基于Transformer模型提出了推荐系统排序模型UBIN（User Behavioral Interactive Network,UBIN）,其使用了Transformer模型编码用户的行为序列然后结合用户和召回的候选物品特征使用注意力机制抽取用户的兴趣偏好,使模型在推荐系统的排序阶段给出更加准确的推荐列表。（3）在MovieLens-1M和Amazon-Food数据集上与其他基线召回和排序模型进行对比实验,其中LSIN模型在Amazon-Food数据集上的召回率（Recall）和命中率（Hit Rate）相对于SDM模型提高了1%和1.2%。UBIN模型在两个数据集上的AUC值相对于DIN分别提高了2%和3%。此外,还探究了序列长度对LSIN和UBIN模型的影响以及主要模型参数对实验结果的影响。（4）在本文提出的召回和排序推荐模型的基础上,设计并开发了一个论文推荐系统。该系统从Papers With Code网站上收集并处理论文的相关信息,先使用融合了用户长短期行为的召回模型LSIN从数据集中召回用户最感兴趣的前几十篇论文,接着使用排序模型UBIN对召回结果列表按照点击率分数排序,最后返回论文列表给用户,此外还开发了为你推荐、首页推荐、物品相似推荐等功能,为研究人员提供更好的论文推荐服务。