近年来,序列化推荐系统由于其结合时序信息能够更好地获取用户的长期或短期的兴趣偏好的特点,超越了传统的基于协同过滤的推荐方法,被工业界和学术界广泛地研究和应用。总的来说,根据推荐系统是否与用户产生交互,序列化推荐系统可以分为静态和动态两种:1)静态序列化推荐系统集中于挖掘用户的历史交互信息来构建用户兴趣,更多的是面向短期的推荐;2)动态序列化推荐系统不仅要利用历史交互信息,还要建模用户在推荐过程中的反馈信息,用于实时跟踪用户的兴趣变化,更多的是面向长期的推荐。随着深度学习的发展,学术界和工业界都致力于将深度学习应用于更复杂的序列化推荐任务中,以提升其预测精度。然而,现有的深度序列推荐模型还存在着一些难点和不足:缺乏对用户表现形式的精心设计;忽略对无效或噪声信息的过滤;对用户动态兴趣建模不准确。因此,本文的研究致力于构建更有效的静态/动态序列化推荐模型,主要工作包括:（1）引入信息熵,提出了一种基于熵正则化的自注意力静态序列推荐模型。对不同物品拥有更明显的区分度,能更好地捕捉真正表征用户兴趣特征的物品,减少了噪声物品对构建用户兴趣的不利影响。（2）应用新的残差连接方式,提出了一种基于残差注意力机制的静态序列推荐模型。弥补了传统基于自注意力机制的静态序列推荐模型中训练不稳定、对参数敏感、必须采用预热学习率策略等缺点。（3）改进传统双队列建模方式,提出了一种基于正负反馈的单队列用户状态建模方式。能更清晰地表示用户的喜好信息,对用户的兴趣状态进行更精确的动态建模,减少了模型所需的参数量。（4）引入自注意力机制,提出了一种基于自注意力机制的深度强化动态序列推荐模型。能更好地获取用户的兴趣表征特征,动态地捕捉用户的兴趣变化,较好地解决了传统推荐中的用户冷启动问题。（5）在静态、动态两个序列化推荐场景下,通过大量实验,在不同的离线数据集中,探究和验证所提出不同方法的有效性。对序列化推荐系统中影响用户兴趣建模的因素提供了不同角度的讨论和验证。