随着移动互联网技术的飞速发展,各种网络应用层出不穷,在为人们带来便利的同时,也产生了海量的数据资源,使得人们面临选择困难的窘境。推荐系统从海量信息中筛选有价值部分,生成合适的策略进行推荐,很好地缓解了信息过载的问题。其中,序列推荐通过挖掘用户历史交互记录中有价值的顺序模式,为用户提供更加可靠的推荐,已成为当下研究的热点。然而,现有的模型大都关注用户序列单个层面的问题,对完整的多层面建模不足。基于此,本文研究如何使用自注意力机制从多层面挖掘数据中丰富的顺序信息,缓解隐式反馈数据中信息不足的问题,提出更加合理有效的推荐。本文的主要研究内容为:（1）针对用户存在长期兴趣和短期偏好,本文提出一种新的挖掘用户长短期兴趣的序列推荐模型,同时从长期和短期两个层面进行序列建模。该模型使用循环神经网络来学习用户的长期兴趣;然后使用自注意力网络建模用户的短期偏好;最后通过自注意力网络融合长期兴趣和短期偏好,从而为用户提供可靠的推荐。在三个公开数据集上的实验证实了该模型的有效性。（2）针对现有序列推荐模型忽略物品的动态隐特征问题,本文提出了一种新的融合商品动态特征的序列推荐模型,同时从用户和物品两个层面进行序列建模。该模型使用双层自注意力网络,分别建模用户随时间不断变化的兴趣偏好和物品在用户之间潜在特征的转换模式;然后通过神经网络融合动态用户表示和动态物品表示,得到用户对目标物品的兴趣评分,判断用户对不同物品的喜好程度。在三个公开数据集上的实验证实了该模型的有效性。（3）实现了一个基于自注意力机制多层面挖掘用户动态偏好的推荐系统,设计了基于上述两种算法的推荐引擎,进一步验证了所提方法的有效性。