当前,信息过载问题严重困扰着每一个人。在我们的日常生活以及互联网行业中,推荐系统对于解决信息过载问题起着不可或缺的作用。在实际应用中,几乎每一条数据都带有时间标签,数据间的时间跨度是一个不可忽视的问题。因此时序性推荐系统受到广泛关注。直观地讲,数据越旧,推荐时的时间权重就越小,因此常规研究始终使用遗忘曲线来建模时间因子。但是,这些研究仅将时间作为一个公共属性,而不是维度。用户和项目之间的每次交互行为实际上在时间维度上都不是独立的,并且它们的时间先后顺序包含很多信息,利用交互行为之间的时间顺序关系和数据网络的整体结构将有效地提高推荐准确度。作为解决时间维度信息丢失问题的新兴话题,序列推荐系统近年来引起了越来越多的关注。序列推荐系统将用户-项目交互视为一个动态序列,并考虑顺序依赖关系,以捕捉用户当前和最近的偏好,从而获得更准确的推荐。然而,一些问题也困扰着序列推荐系统。首先,在序列推荐系统中,短期序列模式可以覆盖长期序列模式。其次,用户的偏好和商品的流行程度都是动态的,而不是静态的。事实上,用户的兴趣不是一成不变的。商品受季节、节日、天气等因素影响较大。这样的动态特性对于精确分析用户或项目以获得更准确的推荐具有重要意义。现有的序列推荐系统大多只能简单地捕捉短期内的动态变化。最后,与其他推荐系统一样,序列推荐系统也面临着冷启动和数据稀疏性的挑战性问题。基于跨域推荐的热门解决方案旨在通过将显式或隐式反馈从辅助域迁移到目标域来填补矩阵。遗憾的是,大多数现有的迁移算法无法处理时间信息。在本文中,我们结合相似度搜索,构建新的序列推荐模型,解决长短期序列模式的干扰问题和用户偏好及商品流行度动态变化的问题。然后,利用序列填充算法构建跨域序列推荐系统。本文的具体工作和贡献概括如下:1.基于序列相似度搜索的时序推荐本文提出了一个名为SeqSim的推荐框架,它可以解决推荐系统的时序性问题和偏好演化问题。在SeqSim框架中,我们重新对用户或项目进行建模,利用序列来对其进行表达。基于此,用户或项目间的相似度计算被转化为了序列间的相似度计算。为了测量序列相似度,本文提出了一种新的序列相似度算法。同时,为了提高相似度搜索的效率,一种新的时间聚类算法被提出,将项目序列转换为聚类序列。并提出了一种结合偏好曲线的新算法来进行推荐。我们在MovieLens和Amazon的数据集上系统地比较了 SeqSim算法与其他主流算法。结果证实SeqSim算法大大提高了推荐的准确性。2.基于序列填充的跨域序列推荐系统为了解决冷启动和数据稀疏性的挑战,本文定义了序列填充的概念,并提出了一种序列填充算法。其中我们使用用户和项目之间的评分矩阵、内在特征以及用户行为的时间标签来建立序列填充的相似度度量。然后将此算法应用到了三种序列推荐模型中,并通过实验验证该算法的有效性。首先,直接使用长短期记忆网络(LSTM);其次,将序列填充算法深度整合到长短期记忆网络中,通过在下一个时间步的输出层和输入层之间建立连接来改进长短期记忆网络(LSTM),并在连接中加入一个逻辑单元来完成序列填充;最后,使用上文构建的SeqSim模型。我们在Amazon数据集上进行了大量实验,实验结果显示,我们的三种模型在推荐性能上均要优于目前的主流模型。此外,我们结合不同评价标准下的实验结果,更细粒度地分析了三种模型的优劣。