针对推荐算法中的数据稀疏问题，通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移，导致模型无法描述用户兴趣的动态变化特征，也忽略了社交影响的动态特性，导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先，利用自注意力机制构建用户交互物品的序列模型，以实现对用户兴趣的动态描述；然后，设计具有时间遗忘的注意力机制对社交短期兴趣进行建模，并设计具有协同特性的注意力机制对社交长期兴趣进行建模；最后，融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示，SLSRec模型与DiffNet模型相比，在稀疏数据集上的HR指标提升了8.5%；与SASRec模型相比，在稠密数据集上的NDCG指标提升了2.1%，表明考虑社交信息的动态特性使推荐结果更加准确。