序列推荐是推荐系统研究的一个重要分支。现有的序列推荐方法未能够有效地利用交互数据中的关联信息和属性信息。针对关联信息的利用,现有方法忽视了序列中物品间的时间间隔和共现频率对于物品关系的影响。针对属性信息的利用,现有方法忽视了物品间公共属性对于物品关系的影响并且没有对同一物品的不同属性进行区分。为了解决上述问题,本文提出的序列推荐模型采用图神经网络去有效利用上述两类信息。本文首先提出了一种融合关联信息的序列推荐模型。该模型由关联信息提取模块和关联信息融合模块组成。物品图构建时,将时间间隔和共现频率作为边的权重来表示序列中物品间关系的强弱。用户图构建时,通过用户相似度为每个用户挑选最为相似的用户集合建立边。然后,关联信息提取模块通过图卷积网络从用户图和物品图中获取关联信息。而关联信息融合模块将获取到的关联信息用于增强物品序列的表示和建模用户的长期兴趣倾向。五个实验数据集上的实验结果表明,该模型相较于基准模型在Recall@10和NDCG@10这两个指标上的平均提升分别为8.33%和6.15%。在第一个工作的基础上,本文提出了一种融合属性信息的序列推荐模型。模型从两方面利用物品的属性信息。一方面,在物品图中为具有公共属性的物品对添加边。这种属性层面的物品关系能够丰富物品的关联信息。另一方面,采用图注意力网络对同一物品的不同属性进行区分并学习物品在属性空间的嵌入表示用于增强序列的特征。模型在两个具有属性信息的数据集上进行实验。相较于其他基准模型,该模型在Recall@10和NDCG@10的平均提升分别为20.88%和13.74%为了缓解数据稀疏对于序列推荐效果的影响,本文将对比自监督学习和上述两个工作的结合并提出了一种对比自监督的序列推荐框架。该框架通过为图中获取到的关联信息和属性信息建立对比学习任务,从而进一步加强关联信息和属性信息的表示。与本文提出的两个原始模型和其他对比自监督的序列推荐方法相比,采用该框架的两个模型在NDCG@10上的平均提升分别为9.04%和12.79%。