随着移动互联网的普及和迅猛发展,互联网用户数量增势显著,随之而来的海量数据给用户和服务平台造成了巨大的影响。服务平台所面临的挑战是如何利用这些数据为用户和自身创造价值,而解决此问题最有效的途径就是推荐算法。推荐算法是通过建模用户的画像、用户的行为数据、项目本身的特征以及相关的上下文信息来预测用户的偏好,并为用户提供推荐服务。在学术界有众多研究人员致力于推荐算法的研究,并提出了丰富的推荐算法预测框架。工业界也对推荐算法进行了深入探索,使得在特定场景下推荐算法不仅能提高用户的满意度,也能给平台带来了不菲的收入。建立推荐模型最经典的方法是基于用户评分,比如利用协同过滤、矩阵分解及因子分解等传统方法预测用户可能喜欢的物品,但是此类方法会受到一些限制,例如冷启动问题、数据稀疏问题都会导致模型运行效率低下。近些年,深度学习模型以其优秀的数据处理能力和模型泛化能力受到了各个领域的关注,当然在推荐领域中也是如此。在本文中,我们同样基于深度学习模型对推荐算法进行研究,主要的工作内容和贡献可以总结为以下几点:1)提出基于成对编码和门控网络的序列推荐算法框架（HPGM）。我们在序列推荐场景下观察到以下现象:用户历史行为序列中的各个项目对用户下一步决策的影响强度不同,因为并非所有项目对建模用户偏好都同等重要。其次,由于吸引用户的往往是一个项目的某个特征或着某些方面,所以用户会给同一个项目的各个特征分配不同的关注度。此外,许多方法没有对用户历史动作之间的复杂关系进行有效建模,本文提出了一种新的基于门控机制的推荐方法来解决上述问题。具体来说,我们先将用户和项目映射到潜在的向量空间并对其进行嵌入表示,接着引入成对编码层来构建一个三维张量,此张量用于存储用户交互历史中项目之间的关系,我们还设置了两个门控层过滤更重要的项目特征,使得模型能够有效建模项目间的转化关系,捕获用户的短期偏好。此外,用户的潜在嵌入向量还被用来表示用户的长期偏好,最后结合用户的长期偏好和短期偏好进行推荐预测;2)提出基于社交网络的序列推荐算法框架（SASE）。冷启动问题和稀疏数据集是推荐系统中不可避免的问题,解决这些问题的方法不是孤立地预测它们,而是利用用户历史行为中的附加信息。因此,我们可以使用用户历史行为中的时序数据和用户的社交关系来提高模型在冷启动场景下的性能。在本文中,我们提出了基于社交网络的序列推荐算法框架,该框架的核心思想是在用户的社交网络中寻找用户的亲密朋友,同时从用户的历史交互序列中确定哪些项目与用户下一阶段的动作相关,然后根据这些特征进行推荐预测。具体来说,我们利用卷积神经网络中不同大小的滤波器捕获用户序列嵌入中的动态转化模式,同时采用图嵌入模型从社交网络中学习用户的社交特征,最后通过融合这两种特征使SASE更擅长处理推荐系统中的冷启动问题;3)为了验证HPGM的有效性,我们通过比较HPGM和其他七个基线模型在Amazon等真实数据集上的表现,得出所提出模型能够有效挖掘用户的偏好;其次为了证明SASE在冷启动场景下的可行性,我们在三个推荐数据集的基础上构造出对应的冷启动数据集,通过对比SASE和其他对照模型在冷启动数据集上的表现,得出了我们的方法能够有效作用在冷启动场景下;最后我们还对所提出模型的超参数进行了讨论。综上,本文是针对序列推荐问题进行研究,并将深度学习相关技术引入其中以实现更好的推荐效果。同时,我们进行了多组对照实验,实验结果体现出本文提出模型的有效性和可行性