随着当今科技迅猛发展,网络已经超越各种传统媒体,成为人们获取信息的主要途径,各个行业通过互联网平台为人们提供大量资讯热点以及服务平台,但是在巨大的数据量与数据纬度下,人们已经无法通过人工策略进行分析干预,因此需要基于一套复杂的信息处理逻辑去更有效地连接用户、内容和服务,节约时间和成本。推荐系统作为信息过滤技术的代表,近些年在互联网平台得到了广泛的应用,所以如何更精准地为用户进行个性化推荐,同时为商家带来收益成为了业界和学术界的重点研究内容。针对用户商品交互量庞大的电商领域,现有的推荐算法大多考虑对用户的历史行为进行特征组合,或者通过对特征重要性进行排序的方式进行推荐,而实际上从时间序列中去挖掘用户的历史行为可以反映出用户背后潜在的兴趣变化,对于构建更丰富的用户模型并发现附加的行为模式也是一种非常有效的方式。但是这类推荐方法也存在一些不足,那就是现有的方法对历史行为特征的记忆存取还不够灵活,对用户动态兴趣的刻画不够全面等。因此本文在这样的技术背景下,针对如何更好地利用序列信息对商品推荐算法做了深入的研究,并设计了两种序列推荐模型。首先,为了更充分的利用用户的序列信息,本文提出了基于双层注意力机制的会话型推荐模型SDAM（Recommendation Model for Session-based Neural Network with Dual Attention Mechanism,SDAM）。SDAM模型考虑到序列本身的特点,即一定时间段内用户的兴趣相对集中,因此将历史行为长序列划分成多个会话。在此基础上采用双层注意力机制对用户历史行为进行充分的隐含特征挖掘,第一层通过自注意力机制对会话中的特征进行提取,第二层利用注意力池化层考虑会话与候选商品的相关性,探究用户历史行为中的哪个行为会对当前的点击预测带来积极作用,模拟与目标广告相关的兴趣进化过程。通过两层注意力网络的堆叠可以更有效的捕获用户的深层兴趣,提升模型的个性化推荐能力。之后在淘宝的公开数据集Advertising dataset2上评估了算法的推荐性能,实验结果表明该模型相比于基准模型有更好的推荐效果。其次,本文在SDAM模型的基础上,考虑到用户的兴趣会随着时间发生兴趣迁移以及用户的长期通用兴趣与当前的短期兴趣都会影响用户的最终选择,提出了考虑序列兴趣迁移的会话型推荐模型SSIT（Recommendation Model for Session-based Neural Network Considering Sequential Interest Transfer,SSIT）。该模型首先通过融合注意力机制和LSTM两种网络结构的特性,设计Bi-T-LSTM（Bidirectional-Transformer-LSTM）模块,在提取会话兴趣时充分考虑到其历史会话兴趣对当前兴趣的影响,以此来更好地提取用户会话中的兴趣。同时设计考虑长短期兴趣的门控结构来对用户长短期兴趣进行融合形成最终的用户兴趣表示。在公开数据集上的实验证明SSIT模型相比于SDAM模型能够获得更准确和动态的推荐结果,并在此基础之上探究了模型内会话数量以及每个会话中序列长度（商品数量）对最终推荐性能的影响。