随着互联网经济的发展,推荐系统在电子商务等线上服务中起到了愈发重要的作用。现今的个性化推荐方法大多基于用户、商品的表征向量学习,能够根据历史交互数据进行自动特征提取,基于学得表征对潜在用户-商品交互进行准确预测。尽管现有方法在推荐效果上已经取得了很大的进步,但大多基于单类用户-商品交互数据,忽视了实际场景中丰富的多重交互行为关系,例如显式观测的浏览、收藏、购买行为;以及用户、商品间隐式存在的潜在用户反馈。这些丰富的行为数据在类别语义、相互关系上具有复杂的关联结构,例如收藏行为预示着购买行为,隐式交互和显式交互蕴含一致的用户偏好。现有的单行为协同过滤方法和已有的异构学习方法忽视了行为异构性和行为间关联,不能对这些问题进行很好的处理。因此,针对多重关系学习的研究可以极大地促进推荐系统性能,具有重要应用价值。本文对推荐系统中多重关系学习的关键技术进行研究,使用深度学习方法解决其特有的挑战。具体来说,本文的主要研究成果包括以下几条:1.强调了显式多重关系中类别语义和类别间关系的重要性,提出基于记忆注意力机制进行交互场景学习,以及使用transformer自注意力网络对交互类别间的语义关联进行捕捉。针对现有编码-解码模型和神经协同模型的缺陷,提出了一种基于图神经网络架构的图编码方法,在多重评分和电商交互数据上取得了显著的效果。2.将交互时间信息和商品侧知识信息引入显式多重交互学习,以使用动态多重交互和商品间多重交互对用户多行为建模进行增强。具体来说,提出的方法采用了基于三角函数的时间信息编码方法,且对用户-商品图和商品-商品图进行联合建模。同时,提出了一种层级图注意力网络,对邻域点和不同行为关系进行自适应的信息聚合。3.提出显式多重交互中类别语义和类别间关系对不同用户具有较高的多样性,设计了两个对交互语境进行高级语义精炼的元知识提取器,分别对特定行为类别和行为间语义迁移进行参数生成,以刻画两个过程的用户、商品、行为多样性。同时,提出使用辅助交互行为数据增强监督信号,构造了一种基于行为间语义迁移的多任务学习框架。4.针对协同数据中占大多数的无观测用户-商品关系,设计了一种对隐式关系进行较准确推测的反射模型,进行理论分析以验证其合理性,并据此设计了一种更高效和灵活的隐式反射机制。之后,将反射机制与自编码器进行结合,对隐式-显式交互关系进行协同的重建训练。在评分预测和商品推荐任务上,均验证了隐式关系学习的有效性。通过以上四个方面的研究,本文使用针对性的深度学习方法对多重关系数据中的丰富信息进行充分利用,促进了协同过滤方法中的多重关系学习技术,使个性化推荐模型能够更好地处理多重异构行为数据,取得了更好的推荐效果。