Tiefes Lernen-basierte Methoden werden in industriellen Empfehlungssystemen (RS) weit verbreitet eingesetzt. Frühere Arbeiten haben ein Embedding&MLP-Paradigma angewendet: Rohdaten werden in niedrigdimensionale Vektoren eingebettet, die anschließend einem mehrschichtigen Perzeptron (MLP) zur endgültigen Generierung von Empfehlungen übergeben werden. Allerdings ignorieren die meisten dieser Arbeiten die sequentielle Natur des Nutzerverhaltens, indem sie verschiedene Merkmale einfach hintereinander anordnen. In dieser Arbeit schlagen wir vor, das leistungsfähige Transformer-Modell zu verwenden, um die sequentiellen Signale in den Verhaltenssequenzen der Nutzer für Empfehlungen bei Alibaba zu erfassen. Die experimentellen Ergebnisse zeigen die Überlegenheit des vorgeschlagenen Modells, das dann online bei Taobao implementiert wurde und erhebliche Verbesserungen im Online-Klickrate (CTR) gegenüber zwei Baseline-Modellen erzielt hat.