当今世界,丰富多元的信息充斥着每个人的生活,信息过载问题尤为严重。对广大用户来说,信息过载带来的一个主要问题是:巨量冗余的信息将极大干扰用户对其所需信息的准确选择。如何从海量的数据中快速找寻用户最感兴趣的内容是当前各大平台关注的热点,这一现象促进了推荐技术的快速发展。在推荐系统中,如何根据已有的用户行为和信息准确地对用户偏好进行预测是最核心的问题。针对上述问题,本文围绕推荐领域的发展历程和研究现状进行了充分的调研,整理分析了目前工作的不足与改进之处,重点研究了基于序列模型和基于图神经网络的推荐模型,并在前人工作的基础上进行了模型的优化,最终将推荐方法应用于原型系统。以下是本文的主要工作内容:（1）大多数端到端的模型忽略了上下文信息和用户行为数据之间的关联和融合,针对上述问题,本文研究了一种两阶段的序列推荐框架。此方法通过组合非入侵多头注意力机制和掩码语言模型融合上下文信息,使得用户序列获得了丰富的语义信息和特征表示。针对用户长期和短期兴趣有显著变化的问题,通过特定方式分别捕获用户长期稳定的偏好和用户即时意图。最终,采用自适应融合模块动态地为长短期偏好分配不同的权重,从而得到更符合用户个性化特征的总体偏好表示。该模型在Movie Lens和Amazon Beauty/Books数据集上取得了较好的性能。（2）针对真实场景中用户行为存在多种类型的问题,本文研究了一种基于图神经网络的多行为推荐模型。此模型采用自定义的元学习范式编码不同类型行为的特征表示,利用学习到的元知识生成转换权重,将特定类型的行为语义注入到初始嵌入中。同时采用基于注意力网络的多行为关系学习函数,解决不同类型的行为相互交织问题。最后通过图神经网络捕捉图结构中的高阶行为信息。三个电子商务数据集上的实验结果表明将不同行为之间的差异编码到用户的序列表示中能够学习到更准确的用户偏好特征,从而提高对目标行为的推荐效果。（3）设计并构建了用于购物推荐的原型系统,该系统采用阿里开源的淘宝用户行为数据集。遵循推荐系统的一般设计方案,先采用传统的基于协同过滤和内容相似的召回算法缩小对商品的计算范围,进而采用本文提出的推荐模型对召回结果列表计算预测值并进行排序,最后根据推荐列表渲染可视化界面呈现给用户。针对该系统中设计的各项功能如用户登录、订单管理、为你推荐等进行了测试和验证,结果证明了该原型系统可以稳定的运行。