长久以来,用户生成序列建模一直是推荐系统中研究的热点。传统方法从浩瀚数据中根据用户序列快速筛选出符合用户兴趣的信息,需要花费大量的人力和物力。得益于海量数据和强有力的算力提升,近年来基于深度学习技术的模型在序列建模任务获得巨大的成功。然而,当前对用户生成序列建模的研究仍存在诸多缺陷。对于用户同构序列数据1)未充分将用户体温序列与电子健康病历中多类型特征融合建模;2)忽略对用户签到行为中签到时间的预测建模。对于用户异构序列数据3)未考虑融合序列推荐任务中序列切分和推荐两阶段的工作流。本文分别就用户同质和异质序列数据中蕴含的具体任务进行深入研究,设计数据驱动的用户个性化序列建模框架,较好的缓解了上述问题。本文的主要工作和贡献概述如下:首先,本文从诊断儿童社区获得性肺炎致病微生物的问题入手,提出一种针对患者的注意力机制循环神经网络模型PA-RNN,结合患者在电子健康记录中的生物医学数据,包括血常规和尿常规等特征,同时对随时间变化的体温序列进行联合建模预测。本文在真实的数据集中进行全面的实验,展示将电子健康记录中的多种特征融合对于研究问题的好处。现有的大多基于位置的服务研究专注于提升预测签到地点的召回率,然而对签到地点和时间两方面的联合建模更符合实际的应用场景。对此,本文提出一个深度多任务学习模型ARNPP-GAT,集用户静态表示学习,用户动态行为建模以及点过程于一身。具体来说,模型利用图注意力网络编码用户社交关系为其长期偏好,循环神经网络建模用户当前序列为其短期偏好。与此同时,应用注意力机制到点过程强度函数中以加强其对历史序列的表示能力,并使模型具备预测下一签到时间的能力。在两个真实数据集上的实验性结果表明,ARNPP-GAT比其他基准方法更具优势,验证了多任务学习和社交关系建模的贡献。最后,针对当前基于会话的推荐分为序列切分和推荐两阶段的工作流,本文提出基于深度强化学习的用户序列切分和预测算法RL4SRec,将序列建模的切分和预测两个阶段融合到统一的端到端学习框架。具体的说,切分阶段由策略网络完成,在用户生成序列的每一个时刻执行动作,决定是否在当前位置划分子序列。推荐模型在划分好的用户短序列上训练自身,策略网络则根据推荐模型效果计算累积奖励优化内部参数,循环往复。值得一提的是,RL4SRec能够轻松的与当前的主流推荐模型相结合。本文对三个公开数据集进行实验,证明与使用精心选择的会话切分策略相比,算法在三个基础推荐模型都取得不错的效果提升。综上所述,本文针对多种类型的用户生成数据设计数据驱动的用户个性化序列建模框架,在多个序列数据集上进行实验,实验结果证明了提出方法的有效性。