为解决传统的推荐算法中数据稀疏的问题,融合时序信息和知识图谱的关系信息已经成为解决这一问题的重要途径。融合时序信息的方法能建模用户兴趣的演化,却忽略了项目交互序列的语义关系和参数共享导致的信息丢失问题,基于知识图谱的方法挖掘语义路径和拓扑关系,忽略了时序信息和已有语义路径对知识图谱构建影响。针对以上问题,本文提出基于自注意力的协同演进推荐算法,缓解了数据稀疏,提高了推荐性能。针对融合时序信息推荐算法不能有效获取和利用项目交互序列的语义关系以及因参数共享而导致的信息丢失问题,提出了基于语义关系提取的协同演进推荐算法。该方法首先利用循环神经网络和自注意力机制分别提取的序列特征和语义关系特征作为用户和项目的短期特征,解决了交互序列语义提取不完整的问题和信息丢失的问题;其次利用矩阵分解抽取用户和项目的长期特征;接着将用户和项目的长短期特征进行融合,并利用多层感知机进行评分预测,解决了內积带来的排序损失。该算法在公开数据集的评估结果表明,该算法能够有效的提高推荐的准确性。针对以往基于知识图谱方法在构建时忽略时序性及已有语义路径信息影响的问题,提出基于语义路径提取的知识图谱的时序增量构建算法。对每一个用户项目交互事件,首先利用多层感知机抽取交互行为自身对节点向量更新的影响;其次用循环神经网络提取不同长度语义路径的语义信息,并使用注意力机制区分不同长度路径的影响;最后将他们融合到节点表示的更新过程。通过在在两个公开数据集中实验结果表明它能有效的提高推荐的性能。