最近几年来,用递归神经网络被越来越广泛的应用于推荐系统。其背后的原因是,用户的行为序列中存在一些固有的模式,而递归神经网络往往能很好的挖掘出这些模式。递归神经网络被证明在对顺序数据进行处理时具有非常出色的效果,比如语言模型。但是递归神经网络通常只考虑对象的顺序,而没有时间间隔的概念。而在推荐系统中,用户行为之间的时间间隔对于推测用户行为之间的关系是非常重要的,而传统的递归神经网络并不能很好的利用时间间隔的信息。在本文中,我们提出了一种新的递归神经网络LSTM结构,即Time-LSTM,来对用户产生的序列化数据进行建模并构建推荐系统。相比于传统的LSTM,Time-LSTML具有额外的时间门来有效地处理时间间隔。这些时间门经过专门设计,与传统的递归神经网络方法相比,Time-LSTM能更好地计算出用户的短期兴趣和长期兴趣,从而提高推荐系统的性能。为了证明模型的有效性,我们在两个公开的推荐系统数据集上做了充分的实验,实验表明使用Time-LSTM的推荐方法优于传统的RNN模型和推荐系统的其他传统方法。