捕捉用户兴趣的发展趋势对于推荐系统和搜索系统都非常重要,用户兴趣是指其在互联网中留下的行为轨迹,利用行为轨迹建模推荐系统,可以预测用户下一次的行为,称为序列化推荐系统。这种推荐系统需要计算用户的历史行为序列,才能推荐下一个行为,因此每当用户有新的行为发生,都需要将其添加到之前的行为序列中重新计算。随着大数据时代的到来,单点预估的序列化推荐系统的线上性能会过负荷。而且,移动互联网的发展很快,用户兴趣变得越来越多样性,如何通过用户的历史行为轨迹为其推荐接下来感兴趣的信息,成为亟待解决的问题。本文提出的基于多任务学习的流程推荐系统,针对用户意图理解、用户兴趣多样性、序列化推荐算法和多任务学习建模四个方面展开研究,主要研究内容如下:（1）提出基于知识图谱增强的意图识别算法——Knowledge-Graph Based Intent Recognition算法,该算法作为推荐系统的召回阶。首先分析了用户意图识别算法的建模方式以及当前的评估指标不能有效衡量结果多样性的问题,针对这个问题本文采用了双塔模型（Deep Structured Semantic Model）作为基础的意图识别模型,利用 BERT（Bidirectional Encoder Representation from Transformers）模型融合知识图谱来捕捉用户的行为轨迹趋势,融合知识图谱能更好的刻画用户意图,提升预估结果的准确度并在一定程度增加预估结果的多样性。除此之外,提出了 BLD算法来优化预估结果的多样性,该方案在预估准确度基本不变的前提下,大幅度提升了结果的多样性。最后,通过离线实验对算法的有效性和准确性进行了验证,实验结果表明,Knowledge-Graph Based Dynamic Intent Recognition 算法可以有效的捕捉用户的兴趣趋势,同时也能增强预估结果的多样性,为后续的阶段提供基础。（2）提出基于滑动推理的序列化推荐算法——Group-Wise Serialized Recommendation算法,该算法作为推荐系统的排序阶段。首先分析了处理较长用户行为轨迹在交互顺序中存在的噪声问题,针对这个问题该算法利用LSTM算法来解决序列高阶信息的长期依赖,滑动CNN算法来建模序列的局部依赖,Attention算法来捕捉与当前意图最相关的信息。最后,通过离线实验对算法有效性和准确性进行了验证,实验结果表明,Group-Wise Serialized Recommendation算法可以有效的提升预估的准确度。（3）提出基于多任务学习的重排序算法——Multi-Task Learning Based Rerank算法,该算法作为推荐系统的重排序阶段。首先分析了召回阶段和排序阶段的问题,由于是基于数据驱动的算法,会存在预估结果不可解释的问题,针对这个问题该算法利用IOP（Inner Order Prediction）辅助任务来对排序阶段产出的结果重新排序,该算法能有效的改善最终预估的准确度。（4）在基于电商数据集上实现了本文提出的推荐系统原型。验证了系统的有效性,并在准确度上有所提升。