长久以来,序列推荐技术备受关注。大多数序列推荐模型都专注于以纯数据驱动的方式从用户交互的物品序列中进行学习,无法有效利用用户、物品及用户与物品之间的关系信息。得益于大量的交互数据和设备算力的提升,近年来基于图神经网络的模型在序列建模任务获得了巨大的成功。然而,当前对基于图神经网络的序列推荐技术的研究仍存在诸多缺陷:（1）忽略物品间关系的先验知识;（2）忽略序列中用户与物品的交互动态性。基于上述问题,本文分别就使用知识驱动的关系图对物品间的关系建模,使用数据驱动的关系图编码用户-物品交互序列两类序列推荐任务进行深入研究,并设计了相应的用户行为序列建模模型。本文的主要工作和贡献总结如下:对于忽略物品间关系的先验知识的问题,本文工作主要关注于学习物品间替代与补充关系信息来提升序列推荐任务。具体来说,相关工作专注于电子商务平台中物品之间至关重要的替代和补充关系,旨在利用这些明确的物品-物品关系来促进序列物品推荐。目前只有极少的工作在序列推荐任务中考虑物品间的关系。然而,他们都忽略了高阶关系的建模。因此,本文提出了一种考虑替代与补充关系的基于图的序列物品推荐模型SCG-SPRe。此方法提出使用交互式图神经网络（知识驱动的关系图）建模物品间的高阶关系,同时使用核函数增强的Transformer模型来刻画用户行为序列的时间变化趋势。实验证明SCG-SPRe模型的效果超过了当前所有的基准模型,证明了考虑替代与补充关系的必要性及有效性。相关工作已发表于TOIS-2021期刊。对于忽略序列中用户与物品的交互动态性的问题,本文工作主要关注于学习用户与物品的双序列时间动态表示从而进行推荐。时间动态的建模对于序列推荐是至关重要的,但大多数现有的研究仅仅集中在用户侧,而忽略了物品侧的序列范式。虽然有少部分研究者研究了用户与物品的双重动态关系,但复杂的用户与物品的交互信息并没有从全局的角度得到充分利用。因此本文提出了一种基于动态图神经网络的双序列动态表示学习模型DRL-SRe。此方法提出使用时间片图神经网络（数据驱动的关系图）建模用户与物品全局交互信息,同时利用辅助时间预测任务来捕捉用户行为序列中细粒度的时间信息。实验证明DRL-SRe模型的效果超过了当前所有的基准模型,证明了双序列动态表示在序列建模任务中的巨大潜力。相关工作已发表于CIKM-2021会议。综上所述,本文从任务特性角度,针对不同关系图神经网络在序列建模场景中的应用进行了研究探索,同时在多个真实开源的数据集上验证了本文方法的有效性。