由于用户行为序列随时间动态增长，推荐算法需要捕获用户行为的动态变化，以及由于用户偏好随时间变化且会影响用户行为，推荐算法需要综合考虑用户的特征属性和即时兴趣来做 Top-K 推荐。文章提出了一种基于序列感知信息的序列推荐模型 TPSR，其利用自注意力机制模拟用户行为序列的长期依赖关系来得到用户的长期偏好表征，即用户特征属性。因此，TPSR 模型能够综合考虑用户的属性特征和即时兴趣，从而得到用户真实行为偏好。文章在亚马逊数据集的子数据集下进行验证实验，与对比算法相比，TPSR 能够为用户推荐更符合其偏好的物品。