1.一种基于用户长短期偏好的序列推荐方法，其特征在于将用户历史行为序列输入模型，通过嵌入层，兴趣提取层以及兴趣融合层得到最终推荐给用户的推荐列表，包括以下步骤：S1、获取用户历史行为序列，引入item2vec来进行项目嵌入生成用户向量表示；

S2、采用门控循环单元建模用户短期兴趣，并引入注意力机制来控制GRU网络的更新门；

S3、使用MLP建模用户的长期兴趣，在隐因子向量空间中寻找用户高阶特征；

S4、基于注意力机制对长期兴趣和短期兴趣进行聚合，并利用融合后长短期兴趣计算相应的推荐结果。

2.根据权利要求1所述一种基于用户长短期偏好的序列推荐方法，其特征在于：采用所述item2vec来进行项目嵌入，在此使用 来表示用户交互序列 的嵌入向量。

3.根据权利要求1所述一种基于用户长短期偏好的序列推荐方法，其特征在于：所述引入注意力机制来控制GRU网络的更新门，需要先将历史行为序列的嵌入向量和目标物品向量输入到注意力网络，注意力网络计算得到两者的相关权重w并传递给GRU网络；注意力网络计算公式如下：其中at为输出权重，表示当前历史行为与目标项目的相关程度，该值越大，就表明两者的相关性越高； 是将隐藏层投影到输出权重的转换向量；⊙为内积操作；β是用来调节softmax函数的平滑指数；

具体更新门计算如下：

式中 是引入注意力机制的更新门，u′t是原始更新门， h′t‑1是AGRU网络中隐藏状态； 为用户的短期兴趣。

4.根据权利要求1所述一种基于用户长短期偏好的序列推荐方法，其特征在于：长期兴趣模块使用MLP建模用户的历史行为序列，在此模块中，所有的用户和项目都被映射到同一隐含因子空间中，每一个用户u和项目i都分别与一个隐含因子向量相关联，即 和qi，中的各个元素则表示用户对项目的喜好程度，qi包含了项目i的隐含特征， 和qi分别为用户和项目的隐向量，具体公式如下：式中a*，w*，b*分别为MLP第*层的激活函数、权重矩阵和偏置函数， 是用户的长期兴趣。

5.根据权利要求1所述一种基于用户长短期偏好的序列推荐方法，其特征在于：通过自适应方式对长短期兴趣进行聚合，并利用融合后长短期兴趣计算相应的推荐结果，用户兴趣权重取决于上下文，基于注意力机制得出以下公式T

式中h是从隐藏层到注意力权重的映射；ReLU(·)是激活函数； 是注意力网络的候选项； 是之前得到得两个阶段的用户兴趣序列；w和b分别是矩阵的权重和偏置向量；

表示注意力网络的候选项与兴趣序列中的相关性，使用softmax函数将候选项的权重转换为概率表达式，给出了系统如何分配短期兴趣 和长期兴趣 对于推荐结果的影响；

式中 表示在用户短期序列阶段求得的偏好， 代表用户的长期偏好，在此阶段得到了最终的推荐列表。