由于信息的爆发式增长,人们对信息获取的有效性和准确性的需求也越来越高,推荐系统正是帮助人们从海量信息中找到自己所需资源的方式之一。序列推荐模型基于用户历史行为信息模拟用户兴趣演化趋势,是推荐系统领域热门研究方向之一,但仍存在一些不足如下:仅建模用户与物品的交互忽视了物品的流行度对用户行为的影响;用户的行为序列具有随机性和不确定性,难以准确地捕捉用户行为序列中存在的依赖关系;难以从切分得到的固定长度的行为子序列中刻画用户的长期偏好。针对上述问题,本文主要研究内容包括:1)针对序列推荐算法仅对用户历史行为序列建模,无法为用户推荐一些爆火物品的问题,提出了基于项目流行度演化网络（Item Popularity Evolution Network,IPEN）的序列推荐算法。该网络引入用户和物品的多种属性生成Embedding向量,提升向量的表达效果;使用自注意力机制对与待推荐物品交互的用户序列建模,提取物品的流行度向量,挖掘目标用户的潜在兴趣。对比实验结果表明将物品的流行度信息和用户兴趣融合可以提升算法的准确率和实时性。2)针对循环神经网络模型默认相邻用户行为间存在强依赖关系,从而建立错误依赖的问题,提出了基于用户兴趣演化网络（User Interest Evolution Network,UIEN）的序列推荐算法。该网络利用多个不同尺度的卷积核对用户行为序列进行卷积,得到包含多种级联关系的用户兴趣向量序列,再输入到门控循环单元（Gated Recurrent Unit,GRU）网络中捕捉用户兴趣的变化趋势。实验结果表明该算法降低了生成错误行为依赖的机率,提升了算法的推荐效果。3)针对大多序列序列推荐模型仅对固定长度的行为子序列建模,难以刻画用户长期兴趣的问题,提出了基于用户长期兴趣抽取网络（Search User-Long-Interest Evolution Network,SUEN）的序列推荐算法。该算法首先筛选较长的用户行为序列,找到与待推荐物品关联度最高的行为子序列;然后建模用户行为子序列提取用户的长期兴趣。实验结果表明该算法能有效处理较长的序列数据。本文最后提出了融合物品流行度和用户长期兴趣的混合推荐模型,实验表明该混合模型具有较好的推荐效果。