近年来,随着互联网和移动终端的迅速发展,各大互联网公司为抢占有限的用户资源,推销自己产品和服务,纷纷采用各种推荐算法进行信息或物品推荐。序列推荐算法作为推荐算法领域的子领域,在电商购物平台应用尤其广泛。序列推荐算法的主要任务是通过用户与平台的交互序列,得到当前序列偏好,进而预测用户下一次可能交互的物品,提供给用户合适的推荐列表。当前,研究人员开始将门控图神经网络应用于序列推荐当中,但是现有研究工作仍然存在以下两个问题:一是不能很好利用序列中物品的位置信息,物品的位置信息是序列信息的一大重要特征,位置信息利用的缺乏将导致无法得到较好的序列偏好的特征表示;二是没有有效利用全序列信息,全序列信息指由海量的序列信息共同构成的信息集合,全序列信息蕴含物品之间深层次的联系,具有内容多、信息杂的特点。本文以电商购物平台为背景,针对序列推荐任务,提出融合物品信息的增强的门控图神经网络模型（IF-BGGNN）。本文的主要研究如下:（1）针对序列内部位置信息利用不足的问题,提出增强的门控图神经网络模型（BGGNN）。BGGNN主要用于捕获序列信息的偏好表示,其主要思想是以门控图神经网络模型为基础,在输入序列转化为图的过程中增加物品节点信息自循环,采取信息流向偏重的策略,通过注意力机制,得到序列的长期和短期偏好,同时融入序列内部位置信息,最终拼接得到序列偏好特征表示。（2）针对全序列信息利用不足的问题,提出全序列物品特征提取模型（IFEM）。IFEM主要用于从全局序列中捕获物品之间的相互联系,发掘得到物品的一般特征,其主要思想是对全部序列信息处理,提取出物品的全序列物品关系集,通过注意力机制学习物品之间的关系表示,最终得到物品的一般特征表示。（3）提出的融合物品信息的增强的门控图神经网络模型（IF-BGGNN）,该模型将物品的一般特征表示融入序列偏好特征表示中,得到混合的序列偏好特征表示,并以此作为推荐依据。