近年来,现实生活中的数据量急剧增长,信息过载成为当前时代的新问题。推荐系统可以快速地从海量数据中筛选出用户感兴趣的信息,在解决信息过载问题上发挥着重要的作用。然而用户和项目规模的增长产生的数据稀疏问题,导致推荐算法的精度降低,成为当前亟需解决的问题。异构信息网络描述了多种对象间的关系,可应用到许多数据挖掘任务中。知识图谱作为一种有向异构信息网络,包含了实体的描述信息和实体间在现实世界中的联系,可作为辅助信息来解决推荐中的数据稀疏问题。然而,网络数据的高维性很难直接使用。网络嵌入采用低维向量的形式保留对象在原网络中的特性,学习得到的低维向量可以很容易被机器学习算法处理,可直接应用到链接预测,节点分类和推荐等任务中,受到研究者们的关注。本文工作围绕异构网络嵌入展开,现有的异构网络嵌入算法主要通过基于元路径的随机游走来同时学习网络的结构信息和节点间的语义信息,但是在一些场景下很难选择最优的元路径。本文提出一种基于生成对抗网络（GAN）的异构网络嵌入算法HINGAN,在生成器和判别器的博弈过程中学习得到网络的结构信息,训练过程中在一定程度上最小化同种类型节点嵌入向量的相似度使其包含节点间的语义信息。相比于基于元路径的随机游走方法,HINGAN不需要设计特定的元路径且效果得到提升。为解决数据稀疏问题,本文将知识图谱作为辅助信息,提出一种基于知识图谱嵌入的序列推荐算法KGRURec,通过融合物品在知识图谱中的关系扩展用户和物品的交互信息来解决数据稀疏问题,提升了模型的效果。