协同过滤是推荐系统中使用最广泛且最成功的技术。但是,现有的基于协同过滤的方法在对用户项目非线性交互进行建模时仍然存在一定的局限性。而近年来,基于协同过滤的推荐系统引入了深度生成模型,例如变分自动编码器和生成对抗性网络,从而在提高排序性能和模型鲁棒性的同时,产生了具有高推荐性能的模型。但是,这些模型本质上是确定的,不能很好地评估推荐的不确定性。此外,这些方法通常缺乏显式密度的特征,因此难以直接对用户项目交互进行建模。本文通过建模和估计用户项目交互的隐式反馈来解决上述问题。为了实现这一目标,本文通过随机和摊销推断的能力扩展了变分自动编码器,从而实现更好的变分近似和更好的推荐性能。具体来说,本文做出了以下贡献。针对典型在线应用程序中的项目推荐服务,本文提出了协同自回归流模型(CAF),这是一种新颖的类似协同过滤的模型,利用贝叶斯推理和自回归流进行项目推荐。CAF是一种非线性概率方法,可以在项目推荐中提供不确定性表示和潜在变量推断的准确表示。与现有深度生成推荐模型中使用的先验近似法相比,CAF在估计概率后验方面更为有效,并且可以通过自回归流改进和解释潜在因子的表示学习。所提出的模型利用流来近似随机潜在因子的真实后验,允许灵活而易于处理的概率密度估计,从而大大减轻了现有贝叶斯推荐模型中的推理偏差并提高了推荐准确性。CAF混合两个自回归流使得模型拥有这两个组成部分的优势,即变异推断和数据采样的效率。针对基于位置的社交网络中的兴趣点推荐服务,本文提出了一种新颖的协同过滤模型(WaPOIR),该模型利用贝叶斯推断和概率生成模型以及基于变分自动编码器的网络进行兴趣点推荐,从而可以捕获非线性的用户POI关系。此外,WaPOIR引入地理影响以及用户偏好和社会影响三种辅助信息,从而减轻数据稀疏性和冷启动问题。同时,WaPOIR引入新颖的神经注意力网络用于捕获用户的总体兴趣和当前兴趣。与传统的基于变分自动编码器的推荐系统不同,WaPOIR学习了Wasserstein空间中输入数据的高斯分布嵌入,满足三角不等式,可以很好地保持基于位置社交网络中的传递性。更重要的是,WaPOIR引入了用户和兴趣点表示的不确定性,以及它们的相似性,从而改善了它们的潜在表示和交互学习。