推荐系统作为互联网的核心应用之一,在学术界和工业界吸引了大量研究人员的关注,其直接目标是为了在广阔的信息海洋中为用户过滤掉其可能不感兴趣的内容,以增加用户的参与度。早期的推荐系统中应用比较广泛的算法包括基于内容的推荐方法和协同过滤推荐法等,随着计算能力的突破和深度学习相关技术的成熟,基于深度神经网络的模型不断涌现,并大量部署在线上服务中。序列推荐通过对用户历史行为序列建模,然后对用户下一步交互做出推荐;但就单个领域的数据建模而言,存在数据稀疏、冷启动等问题,导致推荐效果不佳。因此,就有研究工作同时对用户在多个领域的历史行为序列进行建模,也就是跨领域序列推荐。大多数跨领域序列推荐方法都是对各个序列独立建模,难以捕捉不同领域行为之间的联系;而非独立建模的方法却忽视了不同行为间的时间间隔问题。在单个领域的序列推荐方法中,有些研究工作注意到了相邻行为之间的时间间隔,并提出了一些解决方法来对其进行建模;但对于跨领域场景而言,由于涉及到不同领域,其时间间隔建模更加复杂。基于上述问题,本文的主要研究贡献包括:1.为了捕捉不同领域行为之间相互影响,提出了一种跨领域序列推荐框架,该框架可以适配不同的时间步运算单元。首先,将用户在多个领域的行为序列按照时间顺序合并为一个混合序列,然后使用时间步运算单元对该序列建模得到全局共享特征,供后续建模使用。2.提出了邻接时间感知门控循环单元来对混合序列建模,其在GRU的基础上,考虑了相邻行为之间的四种不同类型的时间间隔,引入了领域感知的时间门,辅助控制历史隐藏状态和当前输入信息。3.提出了双重领域时间感知门控循环单元来对域内时间间隔和跨域时间间隔建模,并使用个性化注意力机制对域内时间门和跨域时间门进行融合,用于辅助控制单元内部信息流转。另外,内部还引入了用户信息,以实现个性化推荐。上述第2点和第3点属于并列关系,因为它们从不同角度对不同的时间间隔进行建模。最后,在两个公开数据集上进行了对比实验,证实了本文所提出的跨领域序列推荐框架、邻接时间感知门控循环单元以及双重领域时间感知门控循环单元的有效性。