序列推荐算法根据用户过去的交互序列向用户推荐下一个可能感兴趣的物品。其关键技术之一是学习序列交互的隐表示,以捕获用户偏好,从而给用户提供准确的推荐结果。本文立足于对用户行为序列进行建模,利用变分自编码器优秀的可扩展性,结合多种深度学习方法,研究如何提升用户隐变量的质量来提升模型的推荐性能。主要工作如下:（1）序列推荐模型通常使用用户的历史行为来获得用户偏好表示以产生推荐。大多数方法学习到的用户表示会把不同的偏好因素纠缠在一起,而解耦学习的方法可以用来分解用户的行为特征。为此,本文提出了一个基于变分自编码器的框架DSVAECF从用户历史行为中分解静态和动态偏好因素。首先,DSVAECF模型的两个编码器分别使用多层感知机和循环神经网络对用户行为历史建模,以此得到用户的静态和动态偏好表示;然后,将拼接的静态和动态偏好表示视为用户偏好的解耦表示输入解码器来捕获用户的决策,并重构出用户行为。在模型训练阶段,一方面最大化重构的用户行为与真实用户行为之间的互信息来学习模型参数;另一方面通过最小化解耦表示与其先验分布间的差异来保留模型的生成能力。在Amazon和Movie Lens两个数据集上的实验结果表明,与基准方法相比DSVAECF在归一化折损累计增益、精确率和召回率上都有显著的提升,拥有更好的推荐性能。（2）多数的基于变分自编码器的序列推荐模型使用KL散度作为正则化项,使每个用户隐变量的后验分布与相应的分布相等,这种强的约束条件使隐变量在学习过程中丢失了个性化的信息。为此,本文提出了DCWVAE模型。首先,根据（1）中的工作将用户偏好在隐空间中分解为静态和动态两部分,为了提供更个性化的推荐,本文引入了最大均值差异正则化方法,对聚合的而不是单个的用户隐变量的后验分布进行约束。然后,通过进行对比学习作为辅助任务,使解耦的隐变量能够捕获更个性化和更显著的特征。最后,为了提升鲁棒性,还采用基于Dropout的正则化方法对模型进行训练。在三个真实数据集上的大量实验结果表明,DCWVAE模型比其他改进方法具有更好的性能。