随着移动互联网、信息社会的发展,人们身处信息海洋之中。考虑到信息的爆炸式增长,能够为浏览者提供需求信息的推荐系统应运而生,使得推荐算法成为当前研究的热点。推荐领域不仅仅局限于商品推荐,而是应用于各种领域,如司法推荐（根据一个用户的描述推荐相关法条）、新闻推荐、服务推荐等等。通过推荐算法,能够使用户避免信息爆炸,同时提高各领域信息服务效率。传统的推荐算法有多方面不足。一方面,对特征的结构化构建不足,包括文本关系的忽略,对特定场景的忽略等多个原因。另一方面,现有的推荐算法使用多层网络训练,对特征进行简单融合,在训练中极易丢失重要特征。最后一方面,现有的推荐算法因其黑盒的特性造成了解释性不足。基于上述问题,本论文依次研究了三种推荐算法。首先,本论文提出了一种基于分层匹配机制的推荐算法（简称HMN）。HMN利用了待推荐候选的文本信息,首先根据待推荐候选的属性将其分为层次结构,之后利用注意力机制将任务变为分层匹配问题。HMN有效利用了以往工作忽视的推荐品的语义和结构,并利用匹配机制进行解释性推荐。之后,本论文提出了一种基于图神经网络的推荐算法（简称GLAM）。不同于上一工作所构建的同构图,GLAM基于待推荐候选之间的多种关系设计了异构图,利用图卷积和匹配机制提取重点信息,进行解释性推荐。最后在两个真实数据集的测试并证明GLAM的有效性。最后,本论文提出了一种知识引导的强化学习推荐算法（简称KERL）。考虑到传统神经网络模型对推荐的局限性,KERL首次探讨了将强化学习应用于时序推荐任务的可行性,通过将该任务定义为马尔可夫决策过程,赋予了时序预测模型捕获长期收益的能力。并且KERL构建知识图谱用于指导强化学习的探索过程,使其不局限于推荐,也能够指向未来偏好。三个模型在多个权威数据集上的实验结果均达到了高于当前领域的水平。针对以上创新点撰写的论文两篇已被CCF-A类国际会议录用发表（学生一作）。一篇被国内顶级信息检索会议录用发表（一作）。