在现今信息爆炸的时代,个性化推荐服务已成为人们获取对自己有价值信息的主要渠道之一,各大公司都在研究如何为用户提供更加精准的个性化推荐来满足用户的需求。近年来基于用户历史序列信息的推荐算法已成为推荐领域研究的一个重要方向,基于循环神经网络和卷积神经网络的序列推荐算法经过多年的发展和改进已应用到实际的一些产生场景中。但是当前的序列推荐算法依然存在一些不足如:当前的序列推荐算法缺乏对用户长期偏好的学习,对于用户偏好的变化算法的推荐结果会产生冗余等。本文将重点研究序列推荐在教育场景的一些应用,解决当前场景下存在的一些问题来满足用户需求。本文的主要工作如下:设计一种基于协同过滤的图游走表示学习算法:广泛应用的图游走算法在大规模数据集下对于用户行为的学习表示非常鲁棒,本文引入协同过滤算法对用户行为进行预处理,对用户行为中的异常和突变进行过滤,来进一步提高其精度,实验结果表明基于协同过滤的图游走表示学习算法能更好的学习到用户行为的向量表示。设计一种用户长短兴趣差异模型深度学习算法:基于用户行为的序列推荐深度学习算法主要利用用户短期行为进行学习和表示,缺乏对用户长期行为的表示,同时对于长短期行为如何融合也没有关注,本文引入基于Attention的模型来表示用户长短期行为,同时利用长短期行为差异进行有选择的学习方式,解决了教育场景下识别用户兴趣变化的需求。轻量级推荐系统的设计与实现:该推荐系统包括算法模型,前后端,数据库各个方面的设计和一些处理方法。目前该系统已在实际的生产环境中稳定运行,为相关产品提供服务。