伴随信息技术的蓬勃发展,人们逐渐从信息匮乏的时代步入了信息过载的时代,如何从海量数据中帮助目标用户发现感兴趣的信息已成为学术界和工业界亟待解决的问题。在此背景下,推荐系统应运而生,已成为缓解信息过载问题的有效工具。推荐系统可视为信息生产者与用户之间的桥梁,其通过挖掘用户的历史行为信息来建模用户的偏好,进而向用户提供可能感兴趣的信息列表。推荐技术的深入研究不仅可以提升用户的体验感,而且能够为商家带来可观的利润。传统推荐方法因潜在假定用户的兴趣一成不变,而导致无法获得满意的推荐结果。序列化推荐方法基于用户行为之间的时序关系同时刻画了用户的长期和短期兴趣,从而获得更准确的推荐结果。分解个性化马尔科夫链的方法因违反三角不等式而限制了模型的泛化能力。近些年,简单而高效的平移推荐方法为缓解该问题带来些许曙光。然而,该方法仅借助目标用户最近一次的行为信息来建模短期兴趣,这将无法权衡用户的长短期偏好对于用户未来决策的影响。针对这一问题,本文的贡献点主要体现在以下3个方面:1)提出一种面向高阶马尔科夫链的序列化推荐方法,在Trans Rec方法基础之上显式建模了用户的高阶时序信息。该方法将所有物品和用户嵌入到一个欧式空间中,并在该空间中借助用户近期的多次交互行为构建了一个个性化的平移向量,从而达到平移向量中编码更多有关该用户短期偏好的信息。2)针对如何整合用户的高阶时序信息这一问题,分析了常见的最大池化和平均池化两种聚合策略的不足之处,进而设计一种自适应权重机制;该机制有能力学习出不同时刻下不同物品对于目标用户短期兴趣的贡献度。3)在4个真实数据集上的实验表明,本文所提出的方法在2个评价指标(HR和NDCG)上的推荐结果显著优于当前的协同过滤方法,同时验证了在平移向量中整合高阶时序信息的必要性与合理性。