针对现有的自监督对比任务未能充分利用原始数据中的丰富语义以及缺乏通用性的问题，提出一种基于图辅助学习的会话推荐（SR-GAL）模型。首先，在图神经网络（GNN）的基础上引入具有表示一致性（RC）的编码通道，从原始数据中挖掘更有价值的自监督信号；其次，为了充分利用这些自监督信号，设计了与目标任务关系紧密的预测性辅助任务和约束性辅助任务；最后，开发了一个简单且与GNN模型无关的辅助学习框架，将两个辅助任务与推荐任务统一起来，从而提高GNN模型的推荐性能。与次优的对比模型CGSNet（Contrastive Graph Self-attention Network）相比，在Diginetica数据集上，所提模型的精确率P@20和平均倒数排名MRR@20提升了0.58%和1.61%；在Tmall数据集上，所提的模型的P@20和MRR@20分别提升了12.65%和8.41%，验证了该模型的有效性。在多个真实数据集上的实验结果表明，SR-GAL模型优于较先进的模型，并且具有良好的可扩展性和通用性。

针对多层感知机（MLP）架构无法捕获会话序列上下文中的共现关系的问题，提出了一种基于图共现增强MLP的会话推荐模型GCE-MLP。首先，利用MLP架构捕获会话序列的顺序依赖关系，同时通过共现关系学习层获得序列上下文中的共现关系，并通过信息融合模块得到会话表示；其次，设计了特定的特征选择层，旨在扩大不同关系学习层输入特征的差异性；最后，通过噪声对比任务最大化两种关系表征之间的互信息，进一步增强对会话兴趣的表征学习。在多个真实数据集上的实验结果表明GCE-MLP的推荐性能优于目前主流的模型，验证了该模型的有效性。与最优的MLP架构模型FMLP-Rec（Filter-enhanced MLP for Recommendation）相比，在Diginetica数据集上，P@20最高达到了54.08%，MRR@20最高达到了18.87%，分别提升了2.14和1.43个百分点；在Yoochoose数据集上，P@20最高达到了71.77%，MRR@20最高达到了31.78%，分别提升了0.48和1.77个百分点。

用户-物品交互模式建模是个性化推荐的一项重要任务，许多推荐系统都基于用户与商品之间存在线性关系的假设，忽略了现实物品与历史物品之间交互的复杂性和非线性，导致这些系统不足以捕捉到用户的复杂决策过程。为此，将一个更有表现力的Top-N推荐系统的物品相似性因子模型解决方法与多层感知机方法相结合，以有效地建模物品之间的高阶关系，捕获更复杂的用户决策。分别在三个数据集MovieLens、Foursquare和ratings_Digital_Music上验证了结合后的效果，并与基准方法MLP、分解物品相似度模型（FISM）、DeepICF和ItemKNN进行对比，结果表明，所提出的方法在推荐性能上有明显的提高。

针对变异算子学习方式的单一性,提出一种朴素变异算子,其基本思想是向优秀的个体靠近,同时远离较差个体,其实现方式是设计一种缩放因子调整策略,如果三个随机个体在某维上比较接近,则缩放因子变小,反之变大.在实验过程中通过平均适应度评价次数、成功运行次数和加速比等指标表明,基于朴素变异算子的差分进化算法能有效提高算法的收敛速度和健壮性.