长久以来,序列推荐一直是推荐系统领域的研究热点。大多数序列推荐模型仅关注用户行为序列的顺序建模,忽略了有效利用序列中的时间信息、深入挖掘其中蕴含的语义知识,因此推荐性能受到制约。时间信息建模对于序列推荐意义深远。一方面,用户交互行为的时间戳包含丰富语义,各类待利用的时间信息对于理解用户真实意图进而实现精准推荐十分关键;另一方面,时间信息具有容易获取的独特优势,序列推荐能够利用时间信息有效缓解数据稀疏问题。本文从引入时间信息的角度,对序列推荐中的下一交互时间预测和绝对时间周期性建模两种时间信息利用方式进行研究和探索。本文的主要工作和贡献总结如下:对于序列推荐中的下一交互时间预测,本文专注于设计更加贴近现实场景的多任务组合形式来提升推荐表现。该方式的思路是对下一物品及交互时间两个拟合目标进行多任务联合学习。少数前人工作以并行式多任务学习范式同时预测两个目标,然而这些工作均忽略了下一物品预测结果对于交互时间预测的关键影响。因此,本文提出了一种考虑主辅任务间序列依赖关系的序列式多任务序列推荐模型。该方法以序列式多任务学习范式依次预测下一物品及交互时间,有效发挥下一物品预测结果对于交互时间预测的核心作用。同时模型使用双向时间间隔感知Transformer网络用于序列建模,捕捉序列内部任意两次交互之间的时间间隔对于用户兴趣表征的影响。在三个公开真实数据集上的实验表明,该模型的推荐效果超过了所有基准方法,并验证了模型关键组件的有效性。对于序列推荐中的绝对时间周期性建模,本文专注于学习多种时间尺度周期性并进行有效融合。该方式旨在挖掘用户行为序列中潜在的周期规律,产生满足用户兴趣并且契合当前推荐时间上下文的推荐结果。少数前人工作将多个维度的绝对时间表示作为输入特征用于注意力计算或者序列建模,但是这些工作均忽略了不同时间尺度下用户偏好和周期性规律的差异。因此,本文提出了一种多时间尺度融合的序列推荐模型。该方法使用多时间尺度增强的Transformer网络在7种不同时间尺度下建模序列中物品之间的交互性和周期性,显式抽取不同时间尺度下的周期模式。同时模型利用基于用户身份的个性化注意力机制融合序列中每个位置的多种尺度表示,捕捉面向用户个人的周期规律偏好。另外为了在一定程度上增强同一用户不同时间尺度表示的相关性,并缓解用户在某些时间尺度下的交互稀疏问题,本文在模型训练过程中引入对比学习进一步提高网络的表征能力和建模能力。在三个公开真实数据集上的实验表明了该模型的推荐效果优势,并验证了模型关键组件的贡献。综上所述,本文从引入时间信息的角度,针对序列推荐中的两种时间信息利用方式进行深入研究,提出了两个新颖的序列推荐模型,在多个公开真实数据集上的实验证明了本文方法的优越性能。