随着移动互联网的飞速发展以及信息时代的来临,人们正面对着爆炸式的信息增长。为了缓解用户“信息过载”的困境,并向用户推荐更加具有针对性和个性化的内容,推荐系统应运而生。其中,序列推荐是推荐系统中的重要场景之一。序列推荐旨在根据用户的历史交互序列,刻画出更精准的用户“画像”,以便于向用户推荐更合适的内容和物品。在现实生活中,用户的历史行为以及交互物品往往具有多样性和复杂性。因此,如何更准确地获得用户和物品的嵌入表示,并且捕获用户在历史行为中的动态偏好和多种意向,是序列推荐所面临的一个难题。本文基于图神经网络和时间信息,从多维细粒度抽取物品的特征,生成物品精准的向量化表示。同时,根据用户不同的交互目的,将用户的交互模式进行进一步拆分,以便于实现在不同场景下更准确的推荐。本文的主要工作如下:（1）分析当下推荐算法的发展背景以及意义、国内外推荐算法的研究现状,之后具体介绍推荐算法中的相关概念和技术。（2）为了能多维细粒度地建模交互物品之间的复杂转换关系,本文将物品类别以及交互时间这两个维度的信息融入图卷积网络,在多轮学习过程中,精细化物品的嵌入表示,并通过门控循环单元来捕获交互序列中用户的动态偏好,进行下一个物品推荐。最后通过实验对比验证提出方法的有效性。（3）为了能更加准确地区分用户的交互模式并针对性地推荐物品,本文提出融合时间信息与双通道自注意力机制,并结合图卷积网络,把用户的交互行为进一步区分为周期性和探索性行为。模型根据两种不同情况,分别计算出用户对已访问和未访问物品的不同偏好。最后通过实验对比验证提出方法的有效性。（4）基于提出的两种方法,本文实现了一个新闻推荐系统,该系统基于图神经网络和交互时间来分析用户的历史行为,向用户提供个性化推荐服务。