近年來,电子商务逐渐成长为一种日渐成熟的商务模式,整体体量在日益不断扩大,系统中的商品规模、种类也在日益增加,用户在使用过程中往往会出现信息超载问题。为了有效地解决这个问题,其中一个效果显著的解决方案就是推荐系统,在推荐系统中主要是通过分析系统中存储的用户历史购买数据,依据用户在兴趣爱好、关注领域、消费水平等方面的不同,向用户产生个性化推荐。在现如今已有的用户个性化推荐算法的研究中,多是以静态推荐为主,如基于商品内容,矩阵填充等技术。在这些经典推荐算法模型中往往忽略用户行为数据中的时序信息。在现实生活中,随着时间的推进,用户的喜好是不断演化的,所以传统的推荐算法模型在刻画用户喜好的动态演化方面将有所限制,而在部分考虑时序信息的工作中通常伴随数据稀疏等影响推荐算法效果的问题。针对上述问题,本文将从利用时序信息的角度出发,来考量分析通过用户历史行为数据中所体现出来的用户喜好,分别提出基于用户喜好在时间相关性方面的时序推荐算法ATC-CF和时序信息在下一个购物篮推荐应用场景下的LAGCN算法。在实验中,分别将这两种算法模型与传统的推荐算法模型应用于真实的推荐数据集中,对用户产生推荐预测,并对推荐结果进行评估,验证本文中提出的两个算法思想的正确性以及推荐的准确性。本文工作的重心以及亮点体现在以下两个方面中:第一、在ATC-CF模型中,利用内外因素对于用户喜好的影响,提出时间相关性假设,通过度量用户群体,衡量不同时间片的相关性,并借助用户在相似时间片上的行为喜好来推断用户在预测时间片上的时序喜好,同时融合用户在非相关时间片上表现出来的总体喜好,构建增强型用户商品交互矩阵,改善用户行为数据稀疏性对最终推荐效果的影响。在用户喜好预测阶段,采用矩阵分解的技术,借助分解得到的用户矩阵来描述用户喜好。第二、在下一个购物篮推荐应用场景中,考虑处于同一个购物篮之间的商品存在相关性,因此从商品相关性来学习商品的表征。通过构建商品相关拓扑图,并结合矩阵分解技术,从局部和全局两方面来描述商品,以此来更好的得到商品表征,从而更好地刻画用户通过具体购物篮中的商品表现出来的喜好。在利用时序神经网络学习用户喜好在时间维度上的演化时,融合用户的总体喜好,借助注意力机制克服用户的购物篮序列中存在的噪声数据,从而达到更鲁棒的捕捉用户喜好演化的目的。