随着信息技术的迅猛发展,人类社会已然步入大数据时代,庞杂的数据在带给人们更多知识和机遇的同时也造成了信息过载的问题。所以如何快速有效从庞杂的数据中获得有用的信息变得尤为重要。而推荐系统则在某种程度上解决了这个难题。但是现有推荐算法在利用用户历史行为数据学习用户偏好的时候往往假定用户兴趣是静态的,因此难以反映用户兴趣随时间的动态变化。本文考虑到用户历史交互数据中的时序依赖关系,使用序列推荐建模的方式捕获用户兴趣的动态演变,从而提高推荐的准确度。进一步,本文通过分析序列推荐的相关研究现状,发现目前序列推荐的相关算法仍旧存在两个问题。首先,目前主流的序列推荐算法仍旧将用户行为数据假定为单向顺序依赖的序列,忽略了其中复杂的项目转换关系,例如环状结构。其次,用户行为序列中普遍存在噪声信息,不加以处理会造成建模的用户偏好发生偏移。针对上述问题,本文进行了以下几方面的工作。（1）针对主流序列推荐将用户历史行为数据简单的假定为单向顺序依赖的序列结构,忽略了其中复杂的转换关系的问题。本文提出了基于图循环注意力网络的序列推荐模型,首先将序列数据构建为有向图,接着使用门控图神经网络学习基于图结构的节点表征。然后使用门控循环神经网络捕获用户行为序列中的顺序依赖性关系,并将最后时刻的隐藏层向量作为局部兴趣向量。进一步的使用注意力机制,对上一步得到的所有隐藏层向量分配权重,让模型关注序列中的重要信息,接着将其聚合为全局兴趣向量。最后将局部兴趣向量和全局兴趣向量拼接后作为用户兴趣向量,进一步的将其与候选项向量进行点积后生成推荐结果。（2）针对用户行为序列中存在噪声信息干扰的问题。本文提出了一种基于改进自注意力图池化的序列推荐模型。该模型首先将序列数据构造为图数据,接着使用门控图神经网络学习节点嵌入向量,为了降低噪声信息的影响,本文进一步提出改进的自注意力图池化方法来提取用户的核心兴趣,并且将图读出的结果作为用户的静态兴趣,然后,使用门控循环神经网络和注意力机制建模用户的动态兴趣。最后结合用户的静态兴趣和动态兴趣进行推荐。（3）本文在两个公开数据集上对本文所提模型进行多组实验对比和评估,性能均有一定的提升。并且进一步的通过消融实验评估各模块对模型整体性能的影响。