在信息爆炸的时代,推荐系统扮演着不可或缺的角色,为人们的生活提供了诸多便利。作为人工智能领域重要的研究课题,推荐系统的研究越来越受到学术界和工业界的关注。近年来,随着技术的不断发展,深度学习在计算机视觉、自然语言处理等众多研究领域都取得了突破性进展,也为推荐系统的研究带来了新的机遇。目前,基于深度学习的推荐系统已经成为该领域的研究热点,许多深度推荐模型已经被开发出来,并被证明取得了极大的进步。然而,传统的推荐算法大多基于用户的长期偏好或短期偏好,对用户长短期偏好联合建模的研究尚且不足,因此基于用户长短期偏好的推荐系统是一个重要的研究方向。研究发现用户历史交互中的异常行为无法体现用户本身固有的偏好,如果不对这些异常行为加以甄别将损害推荐系统的性能。针对上述问题,本文主要的创新工作如下:(1)为了实现长期偏好和短期偏好的深度联合建模,提供更高质量的推荐结果,本文提出一种基于深度神经网络的长短期偏好推荐系统模型(Long and Short-term Preferences Model,LSPM)。LSPM利用LSTM网络和自注意力机制从用户最近的历史交互中学习用户的短期偏好,利用神经隐含因子模型学习用户的长期偏好,从而实现了长短期偏好的深度联合建模。通过融合用户的长期偏好和短期偏好,LSPM能够提供更优的推荐结果。在公开数据集上的实验证明了LSPM模型的有效性。与目前最先进的方法相比,LSPM在HR@10和NDCG@10两个指标上都有了明显的改善,分别提高了3.875%和6.363%。(2)为了消除异常行为对推荐结果的影响,增强模型的鲁棒性,本文提出异常行为影响消除模型(Unexpected Behaviors’Effects Elimination Model,UBEEM)。该模型提出了异常行为检测模块,以消除异常行为的影响,同时引入时间卷积网络(Temporal Convolutional Network,TCN)对用户最近的历史交互进行建模。采用TCN进行高层特征提取,增加了感受野并能更好地捕获上下文信息,有效提升了模型的准确率。本文提出的推荐系统模型可以有效学习用户长短期偏好、生成良好推荐结果,并设计一种指导机制协助模型消除历史交互中异常行为的影响,实验结果表明,本文提出的(LSPM及UBEEM)模型明显优于现有的推荐系统,对推荐技术研究具有一定的借鉴作用。