近年来,随着互联网信息技术的普及和发展,信息的产生量成指数级增长。海量的数据使得用户很难高效地找到有价值的所需信息。推荐算法则是解决信息过载的一种有效方式。传统推荐算法主要关注用户静态兴趣和项目的二元关系,预测用户对于项目的感兴趣程度,推荐符合用户喜好的项目。这些算法依赖用户静态行为数据进行建模,忽略了用户兴趣可能随时间推移而变化,导致推荐结果缺乏时效性。因此,本文针对当前大部分推荐算法只能学习到用户静态兴趣的问题,将带有时间信息的用户行为序列作为输入,预测用户下一个时刻感兴趣的项目。具体地,将用户动态兴趣细分为稳定的长期兴趣和可变的短期兴趣,利用深度学习方法构建一种用户动态兴趣模型。主要工作如下:(1)针对用户兴趣的动态性,提出用户长短期兴趣网络(User Long-Short-term Interest Network),分别对长期兴趣和短期兴趣建模,将二者融合后表征用户兴趣。用户行为是指用户对于感兴趣项目产生的交互记录,会话行为是指在一个集中时间段内的一系列行为,而这些行为之间具有相似性。用户在当前会话中的行为反映了短期兴趣,而用户的历史会话序列则反映了长期兴趣。用户短期兴趣建模主要研究用户行为的时序性和因果性,提出了会话行为表示层、会话兴趣提取层和会话兴趣激活层。用户行为反映了用户兴趣,会话行为表示层是对用户行为本身进行表征,但如果直接将用户行为当作用户兴趣,则缺乏抽象与概括能力,因此会话兴趣提取层使用门控循环单元建模用户行为的时序性和相关性,提取用户在会话中某一时刻的即时兴趣。此外由于用户兴趣具有多样性,会话兴趣激活层采用注意力机制对用户历史行为打分,选取符合当前用户意图的即时兴趣,加权平均后用于表征用户短期兴趣。用户长期兴趣建模中针对用户行为序列的层级结构,提出了层级注意力机制。用户短期兴趣与长期兴趣融合是将用户短期兴趣与长期兴趣拼接后,经过线性变换得到用户兴趣表示。(2)针对用户行为序列的特点,在用户长短期兴趣网络的基础上进行几点改进,提出了用户动态兴趣网络(User Dynamic Interest Network)。第一,直接使用用户行为序列数据进行建模,只能捕获相邻项目之间简单的转移关系。用户动态兴趣网络将序列数据转换为图数据,利用图神经网络建模,学习更高阶的语义信息,提取复杂的用户行为模式。第二,用户行为存在时间距离,即行为时间间隔不等,利用时间门改进门控循环单元,使模型能根据行为间隔大小控制信息的引入程度和方向。第三,用户行为存在语义距离,即用户行为序列背后可能包含多种不同的意图,结合注意力机制的局部激活特性和门控循环单元的时序建模能力模拟用户兴趣演化过程,减弱兴趣漂移的影响。第四,用户行为背后存在多个关注点,采用多头自注意力机制,不同的头捕获不同抽象层次的特征,形成多个子空间,多角度建模用户兴趣。第五,用户长期兴趣与短期兴趣融合中,增加先验信息,提出自适应融合方式。为分析模型效果,在Xing数据集和Reddit数据集上进行了相关实验。实验结果表明用户动态兴趣网络效果明显高于基准模型。用户动态兴趣网络在用户长短期兴趣网络上的改进点,对模型效果均有不同程度的提升。在不同的场景和阶段,长期兴趣和短期兴趣互相补充,二者相辅相成,共同提升算法性能。