随着信息化时代的到来,诸如新闻资讯、商品信息、娱乐视频等数据的体量呈现出惊人的增速,如何从海量数据中高效便捷地提取所需信息成为亟待解决的问题。个性化推荐算法通过建模用户的兴趣主动推荐用户感兴趣的信息,在节省用户时间精力、提升生活质量的同时,也为企业创造了巨大的价值。目前,个性化推荐算法的研究已经取得了非常瞩目的成果,但随着大众生活水平的不断提高,也暴露出一些不足。例如,用户的兴趣多样且不断变化导致其无法被准确表示;仅考虑用户历史兴趣导致推荐结果缺乏时效性和新鲜感;对于语义关系的挖掘不充分从而影响模型准确度及泛化能力等。本文主要围绕以上问题展开研究工作。本文的研究内容主要包括:1.针对传统的个性化推荐算法使用单个兴趣向量导致无法准确表达用户兴趣的问题,提出一种基于自注意力路由与Transformer的多兴趣推荐算法。首先通过Transformer挖掘用户行为记录中的序列关系,然后利用改进的自注意力路由算法和胶囊网络从行为向量中抽取出多个兴趣向量以表达用户的多种兴趣,进而实现多兴趣推荐。实验结果表明该算法能够有效提高用户兴趣的表达精度,推荐结果的准确率和多样性有了显著提升。2.针对现有的个性化推荐算法仅考虑用户的历史兴趣导致推荐结果的多样性和时效性不足的问题,提出了融合用户未来兴趣的多兴趣推荐算法。该算法将近邻用户的部分历史行为作为目标用户的潜在行为,并使用研究内容1中的多兴趣提取策略从中提取目标用户的未来兴趣,然后结合用户的历史兴趣和未来兴趣共同实现推荐。实验结果表明了该算法的有效性和可行性。3.针对传统的个性化序列推荐算法大多忽视项目间的语义关系导致项目间的全局相似性未被有效利用以及模型泛化能力不足等问题,通过图嵌入技术引入语义关系并将其与顺序关系进行结合,经由轻量级图卷积网络（Light Graph Convolutional Network,Light GCN）构造高质量的图嵌入,用于研究内容2所提出的多兴趣推荐算法中。实验结果表明利用Light GCN构造的融合顺序和语义关系的图嵌入进一步提升了推荐算法的准确度和泛化能力。