随着信息技术的发展,互联网产生的信息量日益增长,带来了信息过载的问题。由此产生的推荐系统成为互联网平台研究的一个热门问题。推荐系统通过研究用户历史行为,判断用户兴趣与偏好,进行信息过滤与内容推荐。用户在互联网上的喜好与行为意图是由多种因素构成的,这些因素通常是耦合的,难以区分。利用解耦表示学习方法帮助推荐系统识别与区分这些耦合因素,可以挖掘隐藏在用户行为背后的偏好与意图,提升推荐的个性化效果。本文的主要研究基于变分推断方法,在推荐系统中学习项目和用户的解耦表示,探索解耦表示学习在推荐领域的可行性与有效性。本文主要的研究内容如下:（1）为了使解耦学习任务更好地适应推荐系统,本文提出一种可控变分自编码器模型。将改进的比例-积分-微分控制器应用于变分自编码器,自适应地调节信息瓶颈大小,控制重构误差与解耦质量的平衡。在三个公开数据集上验证该模型的有效性,并展示了它在增强推荐系统的鲁棒性和可解释性方面的能力。（2）针对序列推荐任务,本文提出一种边增强型全局解耦图神经网络模型,用于捕捉项目的链接关系和用户的偏好转移。模型构建一个项目链接图,基于通道感知机聚合来自项目邻域的影响因素,学习全局级的解耦表示。利用变分推断在序列级推断序列分布,通过滑动窗口机制建模用户偏好的转换特征。大量实验证明该模型在序列推荐上取得了显著改进,展示了解耦表示学习在序列推荐中的有效性。（3）为了进一步提高序列推荐的解耦能力,本文引入项目属性作为辅助信息,提出一种序列变分解耦模型。基于对项目的聚类将序列划分为若干子序列,对各子序列分别进行序列变分推断,以辨别影响用户偏好的潜在分类。模型还将项目属性作为辅助自监督信号,为数据提供归纳偏置。在三个真实世界数据集上的实验结果证明了该模型在序列推荐上的有效性。