早期的推荐系统依赖特征工程,通过挖掘用户属性特征和物品属性特征的相关关系产生推荐,但是属性特征需要用户主动提供并且内容驳杂,具有多元异构、特征稀疏的特点,极大地限制了推荐系统的应用。相比于复杂的属性特征,用户和物品的交互行为属于用户的隐性反馈,是最容易获得并且能正面反映用户偏好的特征。将物品按照用户动作发生的时间排序,称为用户行为序列,该序列不仅包含用户的兴趣偏好而且具有连续稠密、结构简单的特点,近年来已逐渐成为推荐系统研究的重点。注意力机制由于可以帮助深度学习算法选择特征,因而常常被用于行为序列推荐算法当中来捕捉用户不同的兴趣爱好。但是目前基于注意力机制的行为序列推荐算法忽略了用户行为序列的双向排列顺序,因而无法兼顾物品向量建模。针对此问题,本文提出了两种考虑物品向量建模问题的行为序列推荐算法:1)基于掩码注意力机制的用户行为序列推荐算法。该算法借鉴自然语言处理中的语言掩码模型,通过引入掩码标记遮蔽了用户行为序列中的部分物品,并通过注意力功能学习被遮蔽位置的双向上下文信息,通过预测被遮蔽位置的物品来优化物品的向量表示,最后利用优化后的物品向量产生推荐。2)基于双流注意力机制的用户行为序列推荐算法。该算法分别在内容流注意力机制和位置流注意力机制中设置相应的注意力矩阵来打乱用户行为序列顺序,使得自左向右的单向顺序结构可以学习物品的双向上下文信息。该算法将物品向量分为内容向量和位置向量,位置向量经过位置流注意力机制时学习被遮蔽位置的语境信息,并通过预测被遮蔽位置的物品来优化物品的内容向量,最后利用优化后的物品内容向量产生推荐。本文使用亚马逊数据集和腾讯视频数据集作为实验数据集,将本文算法与流行的Deep FM算法、Bi-LSTM+Attention算法、DIN算法在AUC值、精准率、召回率、F1值等指标上进行对比,实验结果证明,本文提出的算法效果优于对比算法。