如何捕捉用户行为的动态变化及依赖关系是当前时序推荐领域的一个重要问题，主要面临着行为事件空间庞大、行为的时序依赖关系复杂等挑战。针对以上挑战，提出了一种基于行为序列潜在状态及其依赖关系学习的时序推荐算法。首先，利用最大池化层级结构获得行为序列潜在状态的低维表征；然后，通过图神经网络捕捉和描述潜在状态之间的依赖关系以实现用户行为变化模式的学习，从而获得更准确的时序推荐效果。实验结果表明，所提算法在节目点播（IPTV）、纽约（NYC）和东京（TKY）这3个数据集上与近年的分层门控网络（HGN）基线算法相比，在性能评估指标召回率上分别提高了30.03%、29.48%和33.75%，在归一化折损累计增益（NDCG）指标上分别获得了37.20%、43.47%和40.34%的相对提升，且消融实验结果表明了时序状态的依赖关系学习的有效性，因此所提算法尤其适用于解决时序推荐中单一时间片中行为稀疏以及行为依赖关系复杂的问题。
