推荐系统作为解决“信息过载”问题的有效方法,推动了包括电商在内的众多领域的发展,序列推荐作为其中一类重要的方法,旨在建模用户动态行为偏好,预测其下一次可能的交互行为。近年来,基于各类深度学习方法的序列推荐算法喷涌而出,极大提升了推荐系统的推荐效果。现有序列推荐算法仅从项目间相对时序关系中挖掘项目间的关联,忽略了其真实交互时间信息的探索与利用;此外,该类算法还存在项目间高阶复杂关系挖掘不充分、辅助信息利用不足、推荐效果受数据稀疏性影响明显等问题。为此,本文从项目的真实交互时间的利用与挖掘角度出发,利用自注意力、图神经网络等深度学习方法,提出如下三个相互独立但又逐步递进深度序列推荐算法,其主要内容与创新点概括如下:（1）提出一种基于多注意力机制的时间间隔感知序列推荐模型（Time Interval-aware Sequential Recommendation,TIASR）,通过两个并行的自注意力模块分别建模用户的特征级和项目级上的行为偏好:考虑用户在不同项目上浏览时间的差异性与其感兴趣程度的关系,加入时间间隔感知注意力（Time Interval-aware Attention,TIA）建模用户项目级行为偏好;考虑到用户特征级偏好和项目级偏好的内在约束关系,利用基于互信息最大化理论的自监督学习机制以增强推荐效果。在两个真实的公开数据集上对TIASR模型的有效性进行实验评价,同时验证了考虑用户行为序列中的时间信息有助于获取用户偏好,进一步提高推荐准确性。（2）提出基于时间感知的全局信息增强图神经网络会话推荐模型（Time-aware Global Information Enhanced Graph Neural Network,TaGIE-GNN）,利用连续交互的项目间真实时间信息和来自其他会话中的用户长期偏好特征,来增强用户行为偏好的建模以预测用户意图。首先构建时间感知星状会话图（Time-aware Star Session Graph,TaSSG）和全局会话图（Time-aware Global Session Graph,TaGSG）,分别对项目间不同级别高阶转换关系进行建模;再利用改进星状图神经网络（time-aware Star Graph Neural Network,tSGNN）和会话感知注意机制学习项目的会话级表示和全局级表示,最后通过动态聚合项目的两级表示以生成会话表示,并据此预测用户当前意图。在四个真实的公开数据集上对TaGIEGNN模型的有效性进行实验评估,并验证了挖掘项目间高阶复杂关联关系和协同会话中用户兴趣偏好对用户意图建模具有促进作用。（3）提出基于时间和关系感知的图协同过滤跨域序列推荐算法（Time and Relationalaware Graph Collaborative Filtering for Cross-domain Sequential Recommendation,TRaGCF）,以解决序列推荐中的数据稀疏问题。首先,为获得用户行为序列中项目间复杂的时序依赖关系,进一步改进TaGIE-GNN模型中项目表示学习方法,提出时间感知图注意力机制（Time-aware Graph Attention mechanism,Ta-GAT）学习项目的域间序列级表示;其次,通过域内用户-项目交互二部图挖掘用户的行为偏好,提出一种关系感知图注意力机制（Relational-aware Graph Attention mechanism,Ra-GAT）来学习项目协同表示和用户协同偏好表示,为用户偏好特征的跨域迁移提供基础;最后,为同步提高两个领域中的推荐效果,提出一种用户偏好特征双向迁移（Preference Feature Bi-directional Transfer,PBT）算法,实现迁移用户域间共有偏好并保留用户域内特有偏好。在Amazon MovieBook和Food-Kitchen两个实验数据集上验证了该模型的正确性和有效性。