电子商务行业需要有效的推荐模型来最大化利润和用户满意度。 推荐系统可帮助消费者找到他们感兴趣的相关物品。 通过考虑长期消费者环境来设计最新模型。 但是，在当前的应用程序动态中，这样的长上下文不存在，因此必须基于正在进行的会话的用户当前行为来提出建议。 最近已经提出了许多基于会话的方法来预测用户的下一项需求。 但是，这些模型考虑使用长上下文对单个行为进行建模。 结果，现有技术模型难以揭示项目与行为之间的相关性。 为了克服上述研究挑战，研究工作提出了一种基于消费者位置中心预测（LCP）模型的多行为特征，该模型使用优化的递归神经网络（ORNN）。 LCP模型可以有效地学习短上下文和长上下文。 实验结果表明，相对于现有模型，LCP在召回率，F1-得分，平均倒数率（MMR）和命中率（HR）方面均具有显着的性能。
