近年来,随着互联网、大数据、人工智能等新兴技术的发展,基于不同的建模视角、不同的问题导向和不同的应用环境,涌现出大量的推荐方法和模型,并成功地运用到了诸多领域。然而,现有关于推荐技术的研究主要集中在单粒度信息下的静态推荐上,忽略了推荐信息的多粒度特征。此外,传统推荐方法主要是以决策代价均等为前提的成本不敏感推荐,较少考虑决策成本的不均等问题以及决策成本和学习成本之间的冲突问题。考虑到推荐质量和推荐成本的双重影响,基于多粒度推荐信息的多步骤推荐比静态环境下的单步骤推荐更为合理。因此,为了弥补传统静态推荐的不足,在实现精准推荐的同时降低推荐成本,本研究以推荐系统为研究对象,以粒计算和三支决策为指导思想,以机器学习和深度学习为技术核心,针对推荐系统的可扩展性、用户偏好的动态性、数据的多源性以及推荐结果的可解释性问题,从不同视角出发,探讨了基于多粒度信息的动态推荐模型。针对推荐系统的可扩展性,提出了一种动态三支粒推荐方法。首先,为了解决静态二支推荐的局限性,将三支决策与粒计算思想相结合,提出了一种新颖的动态三支粒推荐（DTWGR）模型。其次,为了提高系统的可扩展性,引入三种矩阵分解方法:SVD、SVD++和NMF,构建多层次推荐信息。最后,为了在提高系统可扩展性的同时降低推荐成本,提出了三种扩展的动态粒推荐算法,即DTWGR-SVD、DTWGR-SVD++和DTWGR-NMF。针对用户偏好的动态性,同时将推荐过程的时间性和推荐信息的空间性纳入考虑,提出了一种基于用户动态偏好的时空三支推荐策略。首先,考虑到用户物品交互记录的时间性,设计了一种基于循环神经网络（RNN）的粒化方法来构建空间维度上的多层次推荐信息。然后,考虑到用户偏好和项目受欢迎程度的动态变化,提出了一种时空三支推荐（TS3WR）策略来实现时间维度上的多步骤序列推荐。最后,考虑到时间维度和空间维度的双重影响,提出了一种基于循环神经网络的时空三支推荐方法（RNN-TS3WR）以实现基于用户动态偏好的动态推荐。针对数据的多源性,引入协同深度学习（CDL）模型,构建了一种基于多源数据的代价敏感的序贯三支推荐框架。首先,基于CDL的结构特征,设计了一种基于矩阵分解（MF）和一种基于堆栈降噪自动编码器（SDAE）的粒化方法分别从反馈信息和内容信息中提取粒度特征。在这两种造粒方法的驱动下,提出了一种基于CDL的联合造粒模型来构建多源数据下的多级推荐信息。随后,考虑到推荐过程中决策成本的不平衡性,提出了一种代价敏感的序贯三支推荐（CS3WR）方法来实现多粒度信息下的多层次推荐。最后,考虑到决策成本和学习成本的冲突问题,提出了一种最优的粒度选择机制来搜索最优粒层。针对推荐结果的可解释性,引入协同主题回归（CTR）模型,提出了一种可解释代价敏感序贯三支推荐模型。首先,针对CTR的结构特征,设计了一种基于概率矩阵分解（PMF）和一种基于潜在狄利克雷分配（LDA）的粒化方法,分别从反馈信息和内容信息中提取粒特征。在此基础上,设计了一种基于CTR的联合造粒方法来构建可解释的粒特征和多级推荐信息。最后,考虑到推荐结果的决策成本和信息获取的学习成本,提出了一种基于CTR的代价敏感序贯三支推荐（CTR-CS3WR）策略,以最小的总成本在最优粒层上实现最优推荐。本研究基于三支决策和粒计算思想,探讨了不同问题导向下的动态推荐模型,在实现精准推荐的同时降低了系统的推荐成本。本研究不仅将粒计算和序贯三支决策的结构化信息处理范式和问题求解方式有效地运用于动态推荐系统中,还探讨了不同问题导向下多层次信息的粒化机制,即为推荐系统研究提供了一个新的视角和思路,又拓展了粒计算和三支决策等相关理论研究的广度和深度,具有一定的理论意义和应用价值。