随着中国网络科技产业的持续高速发展, 网络数据量规模也随之出现了指数级的上升。在海量的数据中，为用户快速定位目标信息变得愈加困难，信息过载问题愈发严重。近些年来，推荐算法成为帮助用户精确定位所需信息并解决信息过载问题的有效手段，其核心思想为基于用户的历史行为挖掘用户兴趣，进而根据每个用户的兴趣为其推荐最匹配的内容。由于在实际的应用场景中，用户兴趣呈现动态性变化的特点，即每个用户的兴趣会随着时间发生改变。因此，利用序列推荐算法动态学习用户兴趣，从而提供个性化的推荐是成为当前研究的热点问题之一。

然而，当前的序列推荐算法依然存在诸多问题。例如，在数据处理过程中，用户正向行为的筛选方法粒度过粗；对辅助特征的利用不够充分、缺乏用户长期 兴趣等，使得难以精准表征用户兴趣，推荐性能的提升依然存在较大空间。本文 主要针对序列推荐算法的现存问题，提出从数据处理、模型构建、和模型训练三个方面联合优化，将本文的主要工作和创新点归纳如下：

1）在数据处理方面，本文提出一种基于逻辑回归的用户行为判定方法，提升了数据处理的准确性。

在推荐领域，精准筛选用户正向行为对个性化推荐至关重要，但当前工作通 常使用权重分配法进行正向行为筛选，这种方法粒度较粗且缺乏针对性。因此， 本文提出使用逻辑回归模型自适应判断用户正向行为。即根据内容视频的互动 次数、观看次数、以及用户的年龄、学历、性别等特征，自适应学习不同特征的权重，从而实现精准、高效、细粒度的用户正向行为筛选。

2）在模型构建层面，提出一种基于“保留 Value”融合物品特征信息与用户长期兴趣的建模方法，进一步提升推荐的准确率。

当前工作通常使用自注意力机制基于内容信息建模或直接引入物品的边信息进行建模。为了更加高效地利用特征信息，本文通过优化边信息的融合方式，提出“保留 Value”的融合法来提升模型的推荐性能。并且，本文还参考 LSTM 的门控机制构建了联合用户长期兴趣的推荐模型，实现了更有效的用户兴趣征，达到了提升推荐性能的效果。  

3）在模型训练过程中，针对样本稀疏问题，本文提出使用对比学习的训练方法提升模型的泛化性。

具体而言，通过将视频内容经过不同的数据增强方式作为模型输入，利用对比学习约束模型优化过程，使得模型对同一物品的特征表征靠近，从而更好地学 习物品间的潜在关系，进一步提升了推荐模型的泛化能力。