在海量信息的网络平台上,电子商务推荐系统帮助用户过滤无效信息,快速挑选出所需产品,进而提升了用户的购物体验,节省搜索时间。应用于“电商”平台的推荐系统,其算法的关键就是基于用户-项目的交互信息和其他辅助数据建模用户的兴趣偏好,根据算法学习的用户喜好为用户推荐目标商品。但是,在现实生活中,用户的偏好和爱好会随着时间的推移而改变。因此,能够捕捉用户兴趣动态变化的序列推荐算法成为研究热点之一。然而,许多传统的序列推荐模型仅仅考虑最近的用户交互和行为,无法很好地捕捉用户序列中的连续行为之间的内在联系。现有的研究要么没有将两种类型的用户偏好（长期偏好和短期偏好）都考虑进去,要么主要是将它们以线性的方式对用户历史行为进行建模,因而很难了解复杂场景下真实的用户偏好。其次在大多数的推荐领域模型中项目的表示是相对静态的,对所有用户都是固定的。研究人员往往倾向于假设物品不会随着时间和用户的变化而改变。本文认为,即使是相同的项目,不同的用户也可以在特定的时间步骤中以不同的方式查看。针对以上问题,本文提出了一个端到端的电商序列推荐神经网络模型（IGS4Rec）。模型采用循环神经网络（RNN）的改进模型,门控循环单元（GRU）,和自注意力机制（SA）对用户的长期和短期偏好进行了建模和整合,并通过一个项目增强模块（Item Enhancing Block,IEB）来学习动态的项目表达,利用用户与项目之间的交互数据进行推荐。门控循环单元作为循环神经网络的改进,在能够考虑长序列的同时解决了梯度消失的问题,自注意力机制区别于注意力机制只学习上下文间的关系,自注意力机制不仅保留长序列上下文的信息,同时能够提取序列元素间的关系,且不受元素距离的限制。具体来说,首先将用户-商品的历史交互行为数据依照时间先后排序后输入到本文IGS4Rec模型中,模型嵌入层学习用户和项目嵌入,IEB模块学习动态嵌入表示,门控循环单元提取用户长期偏好后通过自注意力机制层。自注意力机制层计算GRU层输出的最近的几个隐藏层向量之间的注意力矩阵,即短期偏好,最后得到最终输出结果。本文模型改进了项目嵌入向量的学习,同时融合用户全局偏好和短期偏好为用户推荐目标商品,提高了推荐精准度。本文主要的研究工作:（1）本文引入项目增强块（IEB）把相似用户作为上下文信息,结合相似用户嵌入和项目嵌入来建模序列项目动态表示,作为改进传统方法将项目表示视为相对静态和固定的一个模块。（2）使用门控循环单元提取序列数据的长期兴趣,自注意力机制通过学习隐藏层之间的相对关系,了解不同的商品的不同影响力,即,权重因子。权重因子的大小反映了不同商品对于用户短期偏好学习的重要程度,从而可以了解到用户的近期喜好。并且利用自注意力机制也会识别序列中一些噪声项产生虚假的依赖关系。（3）本文模型在四个数据集（CDs and Viny1、Kindle Store、Movies and TV和MovieLens-100K）上展开试验,并进行对比实验,结果验证本文模型有效。