随着大数据、移动互联网等新一代信息技术广泛深入的应用,互联网成为人们获取资讯的主要手段,这使得人们可获取的信息量激增,相应地人们逐渐提高了对信息获取的高效和个性需求,推荐服务在这两个维度上正好契合了用户要求。推荐任务常常面临的是序列信息,序列推荐正适用于此场景,将用户和物品的交互建模为动态的序列,利用序列的时间顺序来捕捉最近一段时间内用户的喜好。硬件的计算能力和神经网络相关理论也在不断发展和进步,由数据驱动的深度学习方法席卷而来,将其与推荐算法结合逐渐成为研究热点,其中卷积神经网络在序列推荐问题中的应用尤为突出。本文以卷积神经网络为技术背景,与推荐算法相结合,着重于序列推荐问题,挖掘用户的行为模式,捕捉序列数据中的交互模式,同时对用户画像进行刻画,主要研究工作如下:1.分析已有的推荐算法模型,在其基础上针对不足之处进行改进,结合空洞卷积提出了Daser算法,共同对用户的短期兴趣和长期兴趣进行建模。该算法将用户的物品交互序列映射到嵌入空间,从而构成一张“图像”,为卷积网络的应用提供了便利。同时为了提取不同类型的序列模式,算法设计了多种类型的卷积核,可用于捕捉单点、联合、离散和跳跃类型的行为。2.将深层神经网络与序列推荐相结合,从交互数据中抽取深层特征,提出推荐算法ConvFC。该算法通过转换对嵌入矩阵的视角,将嵌入空间维度变换为通道维度,依此构建出类似于计算机视觉领域的卷积结构,逐层成倍增加通道数以提取更多的抽象特征,加入空洞卷积以扩大感受野,实现对交互信息的深度挖掘。3.利用残差结构加深网络层数,提出了DBlock和VBlock两种不同的残差块,对应两个残差网络。残差结构可以简化网络学习过程,增强梯度信息,提升网络的泛化性。由卷积层逐层提取物品的交叉特征和抽象关系后,再经跳远连接增强特征表达。本文在两个公开数据集上进行了实验,结果表明,本文提出的算法与其他主流的推荐算法相比更具优势,验证了本文算法的有效性。数据集均来自真实场景,实验效果也反映出算法在序列推荐方面具备广泛的应用前景。