推荐系统是根据用户行为信息,在网络中找到用户感兴趣的物品,推荐给用户的算法。如今已经广泛的应用在互联网的各个领域,如音乐、电影、微视频、美食推荐和电子商务等领域都有推荐系统的应用,取得了很好的效果。推荐系统在缓解互联网信息迅速发展带来的信息过载问题上发挥着重要作用,不仅给用户带来更多便捷和随心的体验,而且,给许多互联网公司带来了更多的利润。因此,探索更好的推荐算法一直是热门的研究话题。随着推荐算法的发展,基于序列的推荐系统应运而生,与传统推荐算法挖掘用户的静态兴趣方法不同,序列推荐针对用户的历史兴趣进行动态偏好建模,针对用户兴趣变化的进行动态推荐,在推荐效果上优于静态的传统推荐算法。但存在以下需要解决的问题:第一,序列推荐的数据稀疏性和冷启动问题更为严重;第二,用户的长期兴趣、短期兴趣及序列内部物品之间的关系没有被很好地被挖掘;第三,用户兴趣的表示不准确问题;四、序列推荐的预测模型收益较低问题。考虑到现有工作的不足,本文引入知识图谱,利用图神经网络和自注意力网络的优势,优化序列模型的内部结构和推荐方法,解决上述问题,主要的研究内容如下:（1）本文提出融合知识图谱和自注意力机制的序列推荐方法（SR-KGA）,本方法可以显著提高基于序列推荐的多样性,同时保证推荐的准确性。该方法主要在三个方面改进了推荐算法:第一,提升物品的表示准确性,通过引入知识图谱,用外部信息对物品进行表示;第二、提升序列模型的表示准确性,采用注意力机制构建seq2seq模型来表示序列模型,并用多向量表示用户兴趣变化趋势,更好的表示了用户兴趣多样性;第三、提升预测序列物品之间差异性,用多样性正则项优化损失函数,进一步提升推荐结果的多样性,实现个性化推荐。（2）本文提出融合知识图谱的自监督学习的序列推荐方法（SR-KGSSL）。该方法引入知识图谱,用知识图神经网络对物品进行表征,通过双通道模型,利用注意力机制和图卷积神经网络GCN对序列信息中复杂关系同时挖掘,进行联合训练。通过对比学习和互信息最大化方法优化模型,最终实现最佳推荐效果。通过在两个数据集上多次的实验验证,该推荐方法具有更好的性能。