为了解决序列推荐中的用户偏好漂移问题，以及更精确地捕捉用户动态偏好，提出了一种新型的序列推荐模型SILSSRec（side information and long-short term preferences based sequence recommendation）。该模型首先利用项目的类别和频次作为辅助信息，基于用户的历史交互序列，生成个性化用户嵌入表示。然后，通过历史交互和当前交互之间的时间间隔生成个性化时间间隔嵌入，并将此嵌入与项目特征嵌入融合，形成个性化时间嵌入表示。模型采用注意力机制和门控循环网络，从嵌入表示中提取用户的长期和短期偏好。此外，通过对比学习强化偏好的特征表达，并使用自适应聚合网络动态融合这两种偏好，形成用户的最终偏好表示。在8个公开数据集上的实验结果表明，SILSSRec在评估指标上优于现有的基线模型，其中AUC（area under curve）平均提高了3.82%、召回率平均提高了7.2%、精确率平均提高了0.3%。实验证明SILSSRec在不同场景下均有较好表现，有效缓解了偏好漂移问题，提升了推荐效果。