序列推荐（Sequential Recommendation, SR）系统对于建模用户偏好的动态演进至关重要。然而，此类系统的性能往往受限于数据稀疏性，以及如何有效整合辅助侧边信息（Side Information）的挑战。本论文针对这些局限性，开发了创新的深度学习框架，通过两个主要维度增强序列推荐性能：交互时间戳的动态集成以及跨领域知识迁移。

首先，我们解决了时间感知增量序列推荐（Time-aware Incremental Sequential Recommendation, TISR）问题。现有模型由于对历史交互进行统一处理，往往无法捕捉短期上下文兴趣转变的细微差别。为此，我们提出了上下文感知伪多任务推荐模型（Context-Aware Pseudo-Multi-Task Recommender, CPMR）。CPMR 引入了一种新颖的伪多任务学习范式，通过两个不同的视角共同建模并演进用户兴趣：长期历史视角和短期上下文视角。这种双状态演变使模型能够同时捕捉稳定的偏好和瞬时的、时间敏感的意图，从而实现更准确的增量预测。

其次，本论文应对了**跨领域序列推荐（Cross-Domain Sequential Recommendation, CDSR）的多维挑战，并提出了三个逐步改进的模型。为了解决普遍存在的预测不匹配和噪声迁移问题，我们首先引入了 ABXI 推荐模型，该模型采用了任务引导的对齐策略，并利用低秩自适应（LoRA）**技术高效地调整共享编码器，以适应混合领域和特定领域的编码，并提取域不变兴趣进行迁移。

在此基础上，针对单向知识流的局限性，我们提出了 MERIT 模型。该模型建立了一个全面的任意对任意（any-to-any）迁移框架，通过扩展的交叉注意力（Cross-attention）和残差学习，实现了跨所有领域对的序列级知识融合。最后，为了减轻分散连贯用户兴趣的域内偏差，我们提出了 CoRCi 模型。该模型直接从特定领域序列重构混合领域表示，并引入了一种新颖的**焦点噪声对比估计（FocalNCE）**损失函数，以保持域不变偏好的连贯性。

在多个真实世界基准数据集上的广泛实验验证了所提模型的优越性。研究结果表明，通过细致地建模时间上下文或构建更具自适应性的跨领域迁移机制，可以显著提升序列推荐的尖端水平。