大数据时代在带给我们方便的同时,也不可避免的造成了信息过载的困境,如何让用户在大规模数据中快速找到感兴趣的内容是推荐系统要解决的问题。近几年,基于图嵌入技术的推荐系统成为了研究热点,针对同构图、异构图、知识图谱的嵌入技术逐步被应用到推荐场景中。本文在召回模块中应用图嵌入技术,并针对图嵌入过程中未能考虑用户行为权重的问题,提出相应改进方案。在排序阶段中针对动态兴趣转变和多样性推荐两个技术点提出相应的排序策略,以下是本文研究内容:（1）本文将二部图嵌入模型引入到推荐的召回模块中,并针对图嵌入模型中忽略二阶顶点间的联系以及顶点在网络中的重要性问题,对嵌入模型进行了改进,利用改进后的嵌入模型学习用户和物品的节点嵌入表示,并根据两类节点的嵌入向量内积进行召回操作。针对推荐中二部图数据的特点对Bi NE模型提出改进,充分利用图中边权重信息,改进模型中对隐式关系的相应处理,使得模型更加关注图中重要的节点信息。实验在公开数据集Movie Lens和Film Trust上验证模型效果,在不同数据规模和不同应用场景上验证提出的召回算法优于基于图嵌入召回的Node2vec等方法,同时也验证本文提出的加权游走改进方法优于Bi NE原模型的召回效果。（2）本文在排序阶段考虑用户兴趣的动态转移以及推荐多样性问题,提出针对动态兴趣转移的排序算法,以及提高推荐多样性的重排策略。本文根据艾宾浩斯遗忘曲线拟合出时间衰减函数,并提出融入时间衰减因子的排序算法,修正用户的兴趣变化。利用物品流行度和受关注度进行推荐物品重排序,通过聚类方法将物品分类,并设计重排算法,对不同类型的用户按照流行度进行重排,将一些流行度低的物品推荐给用户。实验在公开数据集Movie Lens和goodbooks上分别验证了排序算法和重排策略的效果,实验证明本文提出的融合时间衰减因子的排序方法可以提升推荐模型的准确率,提出的多样性重排算法可以与多种推荐模型相结合,可以大幅提高推荐多样性。