La modélisation de la préférence utilisateur et de la dynamique séquentielle est au coeur de la construction des systèmes de recommandation séquentielle. Les défis résident dans la combinaison réussie entre l’ensemble de l’historique des utilisateurs et de leurs actions récentes pour fournir des recommandations personnalisées. Les méthodes existantes s’appuient sur des chaines de Markov d’ordre fixe pour capturer la dynamique séquentielle, limitant la personnalisation.  L'objectif de cette thèse est de proposer de nouvelles méthodes de recommandation  séquentielle qui exploite pleinement le contexte de l'interaction entre les utilisateurs et les items (e.g., temps, contenu, etc.). Un effort sera donné au caractère explicable des recommandations.