随着人工智能技术的快速发展,人们获取信息的方式也发生了显著的变化。在PC互联网时代,用户通过搜索引擎搜集信息,到移动互联网时代,用户主要借助推荐系统来获取信息,这对推荐算法提出了很高的要求。但实际中,传统推荐算法往往只适合串行处理日志数据,随着5G和云计算时代的到来,海量实时的序列数据产生,没有合适的算法会大大影响推荐效果。因此,对于并行处理序列数据的推荐算法的研究具有重要意义。本文提出一种基于TCN的会话序列推荐模型R-TCN,通过水平和垂直的双向卷积并行处理,敏锐捕获会话短期动态兴趣信息,配合用户长期兴趣信息,完成推荐。实验结果表明,相比其他算法,R-TCN的推荐效果更好,用时更短。主要的研究内容如下:1、通过梳理传统推荐方法和深度学习推荐方法的发展过程,归纳出深度学习推荐方法的通用范式,总结了现有的推荐方法的优点和弊端。2、为了解决现有方法的弊端,本文提出一种卷积序列嵌入推荐模型R-TCN,作为Top-N序列推荐的解决方案。论文首先介绍R-TCN模型架构和其设计思想,接着阐述各大模块的设计细节,然后试验验证模型的实际表现,最终证明基础R-TCN模型的可靠性能。3、通过对基础R-TCN模型的实验分析,我们进一步提出改进的R-TCN模型。为了继续捕捉更加细腻的信息,在基础R-TCN模型架构的基础上,引入双向卷积的策略。最终实验表明,改进的R-TCN模型相比基础R-TCN模型和对照组模型均有全方位的指标提升,该模型一方面有效捕获了用户的一般兴趣和短时兴趣,另一方面精确的捕获了用户的兴趣跳跃行为。综上,本文提出的R-TCN模型是一种优秀的Top-N序列推荐模型。