如何有效利用用户会话行为或物品属性等信息提高对当前会话意图建模的准确性值得进一步探索；对于用户长期历史行为存在的序列推荐场景，如何有效利用用户长期历史行为数据以及用户关联的社交网络等信息是进一步提高序列推荐的个性化和精准性的关键问题。本书基于对多场景下用户序列行为的分析，采用多源信息增强的方法，构建多个智能推荐模型，旨在为序列推荐方法提供丰富的监督学习信号，提高序列推荐的精准性和个性化水平。

第1章 绪论
1.1 研究背景
1.2 研究问题和意义
1.3 研究现状
1.4 本书研究内容和组织结构
第2章 基于全局关联关系的自监督图学习会话型推荐方法
2.1 引言
2.2 相关工作分析
2.3 相关理论与技术
2.4 模型框架
2.5 实验设计
2.6 实验结果与讨论
2.7 本章小结
第3章 基于邻居和类别关联关系的超图会话型推荐方法
3.1 引言
3.2 相关工作分析
3.3 相关理论与技术
3.4 模型框架
3.5 实验设计
3.6 实验结果与讨论
3.7 本章小结
第4章 基于分层注意力机制的查询推荐方法
4.1 引言
4.2 相关工作分析
4.3 模型描述
4.4 实验设置
4.5 实验结果分析与讨论
4.6 本章小结
第5章 基于用户长短期行为动态交互的个性化推荐方法
5.1 引言
5.2 相关工作分析
5.3 模型描述
5.4 实验设置
5.5 实验结果分析与讨论
5.6 本章小结
第6章 基于社交网络表征学习的时序推荐方法
6.1 引言
6.2 相关工作分析
6.3 模型描述
6.4 实验设置
6.5 实验结果分析与讨论
6.6 本章小结
第7章 总结与展望
7.1 本书工作总结
7.2 下一步研究展望