互联网发展的日新月异一方面带给人们更多的便利和选择,另一方面却使人们面临信息过载的问题无从选择。推荐系统（Recommendation Systems,RSs）的研究极大的缓解了信息过载的问题并在人们的生产生活中发挥了重要的作用。其中,生成对抗网络（Generative Adversarial Networks,GANs）因为其在模拟用户偏好分布上的能力逐渐被研究人员应用于推荐领域研究。然而,已有的基于生成对抗网络的推荐算法往往只考虑用户和物品之间的交互矩阵来获取用户偏好分布,忽略了交互物品之间的信息对提取用户偏好的作用。另外,卷积神经网络（Convolutional Neural Network,CNN）具有学习高阶关系的能力,可以为学习交互物品之间的高阶特征提供帮助。针对以上问题,结合生成对抗网络和卷积神经网络的优势,采用向量级对抗训练方式,提出了一种扩张卷积生成对抗网络（Dilated Convolutional Generative Adversarial Networks,Di CGAN）用于推荐系统。在生成模型部分,将用户及其交互的物品编码到隐空间,并将交互物品向量堆叠成一张图像,然后使用若干个扩张卷积过滤器和一个垂直卷积过滤器来捕捉交互物品之间的联合级特征和点级特征,并将级联特征映射到用户交互向量。此外,进行卷积操作之前使用注意力模块（Attention Module,AM）生成注意图,进行自适应特征细化操作。而判别模型采用多层感知机（Multi-layer Perceptron,MLP）结构,用于判别用户真实交互向量和生成的交互向量。在三个公共数据集上的Top-N推荐实验结果显示,Di CGAN能够实现比当前主流推荐算法更高的推荐精度,验证了Di CGAN的有效性。同时,实验还测试了卷积神经网络对推荐效果的影响,验证了采用卷积神经网络的生成模型能够提取复杂的高阶关系特征,进而提升推荐质量。