如今互联网发展日趋成熟,信息化进程推动人们日常生活愈发便利,信息过载问题带来的影响也不容小觑。推荐系统因其出色的信息过滤能力已然成为缓解信息过载问题的主力军,正逐步晋升为各大在线服务提供者的核心组件。传统的推荐方法（general recommendation）从宏观角度关注用户交互历史,聚焦用户静态类型的长期兴趣,然而用户兴趣并非一成不变。在实际场景中,用户的交互行为天然有序,且交互序列的变化发展也时刻对应着用户兴趣的演变过程。由此,根据用户序列化类型的交互记录动态刻画用户兴趣是序列化推荐（sequential recommendation）的根本任务。然而,面对用户高阶时序信息,主流的序列化推荐方法在捕获用户短期兴趣时依然存在如下问题:（1）局限于考虑相邻交互对象间的成对关联,未能建模高阶序列蕴含的多对一过渡关系;（2）将最近时段的交互序列视为集合,忽略了最近交互对象彼此之间的相对次序。这不仅未能充分挖掘高阶时序信息的复杂过渡关系,也难以刻画用户兴趣的动态演变。针对上述问题,本文提出一种新颖的门耦合胶囊网络序列化推荐模型（gating coupled capsule network,GCC）,其通过充分理解用户高阶交互序列蕴藏的一对一、多对一以及局部有序性3个层面的复杂过渡关系,以一种细粒度的方式完成对用户兴趣的动态刻画。具体而言,GCC首次将胶囊网络（capsule network）引入序列化推荐领域,针对用户高阶时序信息的多对一过渡关系设计个性化胶囊模块,其通过显式建模高阶序列特征进而从整体上把握用户兴趣。与此同时,得益于胶囊网络出色的空间感知能力,该模块能够有效感知最近时段交互对象彼此之间的相对次序,从而有能力捕捉局部有序性关系同用户兴趣演变的内在联系。最后,为了有效捕获高阶范围内重点交互对象具备的成对关联,GCC进一步设计个性化门单元模块,从一对一过渡关系层面拟合用户短期兴趣。本文在4个真实场景的数据集上开展大量对比实验,结果表明,门耦合胶囊网络能够在不同推荐场合中持续表现出显著性能优势,验证了 GCC以细粒度方式刻画用户兴趣的优越性,体现了其分析高阶交互序列内复杂过渡关系的有效性,更表明了在序列化推荐领域推广胶囊网络的可行性。