序列推荐（Sequential Recommendation）根据用户的历史交互序列预测用户的下一次交互物品,由于序列中复杂的物品依赖以及用户的多方面兴趣,想要准确预测用户的下一次交互的物品十分困难。现有的工作将序列中的每一个交互物品视作一个兴趣单元,并应用了最新的深度学习技术来学习到用户兴趣的统一表示。虽然这些方法在实验中取得了较好的效果,但它们仍存在一些缺陷:1)一个向量不足以表示用户多方面的兴趣,一些潜在的用户兴趣会被忽略;2)用户的兴趣是多粒度的,单独的物品可能反映用户对某一物品的偏好,而一系列的物品反映了用户的一般兴趣,这样多粒度的用户兴趣无法被现有的模型所捕捉;3)由于位置嵌入矩阵与注意力机制的使用,模型会更倾向于关注近期的交互序列,且无关的物品仍会获得很小的注意力权重,引入噪声。为了解决这些缺陷,本文提出了基于循环神经网络的多记忆序列推荐模型MiGRU4Rec和基于胶囊网络的多粒度兴趣序列推荐模型CAN。随后,本文设计实现了多兴趣序列推荐系统,提出模型内部细节的可视化方案,使得研究者能够对模型在推荐过程中的内部机制有一个全面的了解,并对CAN模型的推荐过程进行优化,降低了模型的计算开销。本文主要贡献如下:1.基于循环神经网络的多记忆序列推荐模型MiGRU4Rec针对现有序列推荐方法无法显式建模用户多兴趣的问题,本文提出了MiGRU4Rec模型。在GRU4Rec模型的基础上,对门控单元进行改进,利用记忆矩阵中的多个记忆槽来存储用户不同时刻的隐状态,其中隐状态中的每一个记忆槽都代表着用户的某一兴趣,使得模型能够捕捉用户多方面的兴趣。此外,MiGRU4Rec模型捕捉了用户自身对于不同兴趣的偏好,引入了用户个性化的信息。本文通过实验证明了所提出模型的有效性,在推荐效果上,MiGRU4Rec比现有的方法有2%-5%的提升。2.基于胶囊网络的多粒度兴趣序列推荐模型CAN在捕捉用户多兴趣的基础上,针对现有序列推荐方法没有考虑到用户兴趣多粒度特性的问题,本文进一步提出了CAN模型。CAN模型将用户交互序列分成两部分,对用户的长期序列进行粗粒度的建模,抽象出用户的多兴趣;对用户的近期序列和多兴趣进行细粒度建模,充分利用交互序列中的信息。CAN模型在捕捉不同粒度的用户兴趣的同时,缓解了现有模型倾向于关注最近的近期交互,以及无关的物品仍会获得较小的注意力权重从而引入噪声的问题。本文对提出的CAN模型在三个数据集上做了详尽的实验,验证了模型的推荐性能,在各项推荐系统的指标上,CAN比现有的方法有4%-12%的提升。另外,本文通过一个案例探究了模型在训练过程所学习到的用户兴趣信息。3.多兴趣序列推荐系统针对目前研究者无法知晓模型在训练过程中学习到了哪些信息,以及无法有针对性地对模型进行改进等问题,本文设计并实现了多兴趣序列推荐系统,并将CAN模型部署到线上,验证了模型的效果。除了推荐系统主要的功能之外,本文通过可视化模型在推荐过程中的内部细节,使得研究者对模型的运行机制有一个深入的了解,辅助模型的设计与改进。另外,针对系统处理长序列效率低的问题,我们改进了CAN模型的实现方式,将用户的兴趣预先存储,减少在线计算开销。