近年来,随着互联网的快速发展,信息的爆炸性增长使人们为做出合理的选择需要投入更多的时间和精力,用户如何能够快速高效地在海量数据中找到所需要的信息成为当今时代亟待解决的一大难题。个性化推荐能够通过分析用户的历史数据获取用户偏好从而进行信息的推送。因此,个性化推荐的广泛应用很大程度上缓解了信息过载带来的问题。传统的推荐算法仅对用户与项目之间的静态关系进行建模,忽略了用户在现实生活中兴趣会随着时间发生变化的实际情况,导致推荐结果的准确性不高。而现存的一些基于用户长短期兴趣的推荐方法通常将用户行为序列视为均匀分布,未能准确捕捉用户在短时间内的兴趣变化,造成推荐结果单一。因此,针对以上问题,本文提出了一种基于用户行为距离的序列推荐方法,该方法包括如下两个部分:（1）融合时间信息的用户行为序列处理方法。用户对项目的各种反馈行为背后存在动态的行为距离,传统的兴趣建模方法未能很好地考虑用户行为中的时序性与相关性。针对以上问题,本文提出了一种融合时间信息的用户行为序列处理方法。首先,通过分析用户行为序列,将用户行为距离划分为时间距离与意图距离;然后利用加入时间门结构的门控循环单元建模行为之间的时间间隔,捕捉用户意图的转变程度;最后通过多头自注意力机制的多个注意力头建模不同行为之间的意图距离,捕捉用户不同方向的关注点。在第二部分中主要利用该序列处理方法对用户的短期兴趣进行建模。（2）基于用户长短期兴趣的商品推荐模型。用户的兴趣并非一成不变,而是会随着时间的改变动态变化。通常来说,用户兴趣可以分为易变的短期兴趣和稳定的长期兴趣。为了准确提取用户的动态兴趣,满足用户的购物需求,本文提出了一种基于用户长短期兴趣的商品推荐模型。首先将用户的历史行为序列划分为不同的会话,每个会话内用户的行为之间具有一定的连贯性,将最新会话内的行为视为用户的短期行为,历史会话序列视为长期行为;然后分别建模用户的短期兴趣和长期兴趣。针对短期行为,利用融合时间信息的用户行为序列处理方法进行处理。针对长期行为,主要考虑用户兴趣刻画的全面性,本文采用一个基于深度加权的Deep FM模型,同时提取用户在会话内的多峰兴趣和项目级的长距离依赖;最后使用自适应门控单元融合长短期兴趣,并根据得到的用户最终的兴趣向量计算每个商品的得分,排序后进行推荐。为了验证本文所提推荐方法的有效性,在两个真实数据集上进行了对比实验。实验结果表明基于用户行为距离的推荐方法能够有效提高推荐结果的准确性,本文所提方法相较于GRU4Rec、SHAN、DIEN等主流方法在命中率HR和平均倒数排名MRR等指标上均有一定程度的提升。此外,本文提出的推荐方法在考虑时间因素的同时,还能够主动探索用户的新兴趣,更好地适应不同的购物场景下用户的即时购买需求。