随着互联网信息爆炸式增长,如何对信息进行挖掘分析,已经成为了热点和难点问题。推荐系统的出现有效的缓解了信息冗余的问题。推荐系统的核心研究问题是通过用户的历史行为信息挖掘用户的主体偏好模式,从而根据不同场景和任务的需求完成推荐。传统的推荐方法中,隐因子模型可以有效地根据用户行为历史挖掘用户和物品的隐表示,深度模型扩展了传统模型的线性操作,提升了模型的表达能力。然而现如今推荐系统领域的研究仍存在一些问题。由于海量数据的存在,导致对于某个用户,其交互物品通常只占海量商品中极其稀少的一部分。并且由于交互信息内容的有限,很难获取用户偏好商品之间的优先级关系。此外,用户的偏好还会随着时间的变化而发展,一般的推荐系统很难捕获用户兴趣的变化方向。近年来,变分自编码器（Variational Autoencoder,VAE）在推荐系统领域有着广泛的应用。而变分自编码器作为一种非线性概率模型,其具有可以打破线性模型有限的建模能力限制的优势,并结合了生成模型的分布定义灵活性与深度学习非线性特征学习的能力。本文基于变分自编码器模型,针对目前推荐系统中存在的数据稀疏性、推荐准确性和推荐随时间变化的问题,提出了基于变分自编码器的排序模型和时序模型。本文的主要贡献如下:（1）针对一些深度生成推荐方法无法实现对隐式反馈的用户偏好数据建模从而生成个性化的列表级排序推荐列表的问题,通过借助多项式似然对变分自编码器采用列表级排序策略进行推荐。该模型能够生成点级隐式反馈数据,并为用户创建列表级的排序推荐列表。为了将排序损失与变分自编码器损失无缝结合,分别采用了平均倒排名（Mean Reciprocal Rank,MRR）和归一化累计损失增益（Normalized Cumulative Loss Gain,NDCG）作为排序损失,并使用平滑函数分别对其近似。模型在3个真实数据集上进行了一系列实验,证明了利用MRR和NDCG作为排序损失会使尽可能多的与用户相关物品出现在预测推荐列表的顶部。实验结果表明,所提出的深度生成排序推荐方法在排序估计任务中优于现有的几种最新方法。（2）针对一些深度生成推荐方法没有利用到隐式反馈用户偏好数据中的时序信息来进行个性化推荐的问题,结合了多项式似然的变分自编码器和时序特征生成模块完成推荐任务。该模型利用用户历史偏好记录中存在的丰富信息来扩展变分自编码器。模型给出了依据时序关系生成观测数据的建模方案,同时又引入了时序特征生成模块,该模块用以捕获用户与目标物品相关的兴趣演化模式。此外还给出了模型的扩展形式,将模型预测从用户的下一个时间步的行为扩展至接下来k个时间步的行为。模型在2个真实数据集上的一系列实验证明处理时间信息对提升变分自编码器模型的推荐准确性至关重要。实验结果表明,所提出的深度生成时序推荐方法在时序推荐任务中均优于已有的方法。