信息时代的到来,为人们的生活提供了方便,使我们能够更加快捷的在互联网上获得自己想要的信息。随之而来的信息爆炸问题也逐渐凸显,人们很难有效率的从海量的信息中找到自己需要的内容。推荐系统应运而生,它从用户和内容的属性和交互行为中学习用户的偏好,进行合适的匹配。推荐系统的应用场景多种多样,交互形式各不相同,比较有代表性的两大扩展场景包括:序列化推荐和社会化推荐,相对应的序列建模和关系建模也是推荐系统内一个非常重要的研究领域,它们进一步利用序列和拓扑两类非结构化信息来辅助推荐。如何结合场景做到更好的建模,提高推荐系统的准确率是目前研究的一大难点。本文基于序列建模和关系建模两大方向展开工作。在序列化推荐中,用户的偏好往往随时间发生变化,推荐的物品序列和推荐时间点同时为两个重要的优化目标,传统的序列化推荐方法很少对时间戳信息进行比较好的利用,同时两个优化目标间也存在可能冲突的关系。针对以上问题,本文提出基于序列建模的双通道门控循环单元(Two-way Gated Recurrent Unit,TW-GRU)模型,该模型通过不同的目标函数将物品和时间戳的嵌入向量输出进行优化,使用多任务学习的方式寻找两者的Pareto最优解,自动优化权重结构达到推荐时间点优化和推荐项目准确度的最佳匹配。另一个存在的问题是,预测时间点并非最为合理,用户的兴趣可能在时间域上有不同的分布和强度。为了使时间点预测的结果更具可解释性,本文提出基于序列建模的点过程门控循环单元(Point Process Gated Recurrent Unit,PP-GRU)模型,该模型将提出的TW-GRU模型中的多任务学习部分进行改进,将时间点预测问题转换为点过程强度函数预测问题,在时间点优化方面,能够对于事件发生的强度有着更加直观的表示,增强了推荐时间点的可解释性。在社会化推荐中,用户间存在显式社交关系和交互行为,而传统的评分预测场景下则较少。用户的显式评分反馈尺度多样,行为相似的用户可能具有完全不同的评分体系。在传统算法中,隐式交互行为一般作为偏置项辅助预测,但其在衡量用户真正的交互倾向时反而更有意义。本文提出基于关系建模的交互分解图卷积网络(Interaction-Decompose Graph Convolutional Network,ID-GCN)模型,在评分预测问题中建模交互行为中的隐式关系,利用图上的节点关系信息增强目标物品评分预测的抗扰性,使得模型能够在用户的显式评分行为和隐式交互行为中取得一个平衡,增加推荐模型的鲁棒性。最后,我们在电商日志数据集RSC15和电影评分数据集Movielens上进行对比实验,与传统推荐模型进行比较,证明本文所提出的模型的优越性。同时,针对本文提出的三个模型的不同性能倾向,建立对应的多任务学习分析实验、事件强度预测实验和抗扰对比实验,以佐证本文提出的结构能够在各自拟解决的问题上有突出的表现。