变分自编码器在计算机视觉和语音处理等领域已经证明了其成功。尽管如此，将其应用于建模用户偏好仍然是一个未充分探索的领域，尽管最近这一方向开始受到当前文献的关注。在这项工作中，我们提出了一种扩展变分自编码器的模型，该模型充分利用了过去偏好历史中的丰富信息。我们引入了一种递归版本的变分自编码器（VAE），与传统方法不同的是，我们不是忽略时间依赖性而传递整个历史的一个子集，而是通过递归神经网络传递消费序列的一个子集。在递归神经网络（RNN）的每个时间步长中，序列被输入到一系列全连接层中，这些层的输出用于建模最可能的未来偏好的概率分布。我们展示了处理时间信息对于提高变分自编码器的准确性至关重要：事实上，我们的模型由于能够在递归编码器中捕捉用户消费序列的时间依赖性，同时保留了变分自编码器的基本原理，因此在性能上显著优于当前最先进的方法。