用户行为序列是按时间排列的用户行为数据,反映了用户随时间变化的偏好特征。序列推荐系统通过序列化地建模用户的行为序列学习用户不断进化的兴趣,关注的核心问题是:（1）如何为用户精准提供感兴趣的商品,（2）在怎样的适宜时间点推荐。对于第一个精准推荐的问题,图神经网络模型由于能够建模序列中复杂的转移关系,在序列推荐领域具有很好的表现。但是此类方法面临两个挑战,首先是将序列转为图时,物品的顺序信息缺失;其次由于图神经网络存在的过平滑问题,物品间的长期依赖关系缺失。对于第二个什么时间推荐的问题,大部分序列推荐系统重点关注下一个推荐什么,而忽略了什么时候推荐。在不恰当的时间对用户进行推荐不仅会使用户受到广告的打扰,而且会给服务商带来资源的浪费。适时序列推荐任务同时关注推荐的物品和时间。由于用户的交互行为可以类比为一个事件,点过程方法天然地适应适时序列推荐任务进行下一个物品和时间的预测。然而在具有海量物品的推荐场景下,点过程模型具有较高的训练复杂度以及不准确的时间预测的问题。针对以上的问题,本文从序列推荐任务出发,深入研究现有序列推荐方法的问题,通过设计新颖的模型以解决这些问题。本文主要研究以下内容:（1）我们提出了一个顺序感知的基于图的序列推荐模型（OAG-LC,Order-Aware Graph Neural Network with Long-range Connections）。为了有效地捕捉序列的长期依赖关系,我们利用序列中节点间的可达性关系将序列建模为图,并且为具有不同上下文信息的重复节点学到不同的表示;为了解决基于图神经网络方法中全局顺序信息丢失的问题,我们递归地更新节点表示,并且设计了新颖的门控机制保留序列的顺序信息和结构信息。相比于最新的基准模型,我们的模型在四个公开数据集上均有3%以上提升。（2）我们设计了一个时序点过程框架（SaNCE-TSR,a Temporal Point Process framework with Self-Adversarial Noise Contrastive Estimation for Right-in-Time Sequential Recommendation）在连续时间空间内进行适时序列推荐任务。为了解决在海量物品场景下,点过程模型的时间复杂度过高的问题,我们设计了噪音对比估计方法,通过区分正样本和噪音样本训练模型,并且设计了自对抗式采样方法适应性地采样噪音样本;为了解决点过程模型的时间预测不准确的问题,我们给两个常用的序列编码器增加了迭代式时间预测模块,使用自回归的方式预测时间。我们在五个公开数据集上进行了实验,相比于点过程和推荐两类模型,我们提出的方法在下一个物品预测任务上具有3%以上提升,在下一个时间预测任务上也达到了最好的效果。