近年来随着信息技术的快速发展,互联网中的数据资源也在呈指数倍增长。推荐系统可以通过分析海量信息中用户的历史行为,帮助用户快速、准确地发现需要的内容。协同过滤是目前最有效的推荐算法,通过分析相似用户的偏好来为目标用户进行推荐,但是此方法的推荐性能仍受到冷启动和数据稀疏等问题的限制。越来越多的研究者在推荐系统中加入用户和项目的多种信息以提出针对性的解决方案。本文分别研究了项目类型信息和知识图谱中的语义关系,提出两种推荐算法,以提高推荐准确性。针对传统的类型驱动方法只考虑类型间的关联或是将其组织成扁平或层次结构,而忽略项目和类型复杂关系的问题,提出基于类型组合空间的随机游走推荐算法。首先,建立一个用哈斯图表示的项目类型组合空间,将项目和类型复杂的一对多关系映射成一对一的简单关系;接着,定义了类型组合间的语义关系及语义距离,更好地对用户动态偏好的变化进行定性、定量描述;然后,结合类型组合空间上用户浏览过程中的偏好变化、用户跳转行为、跳转次数、时序、评分等各种信息,利用随机游走建立用户个性化类型偏好模型;最后,根据用户个性化偏好完成基于用户的协同过滤项目推荐。真实数据集上的实验表明,所提算法在排序推荐上优于传统基于类型的推荐算法。针对知识图谱中用户和项目之间的语义结构关系,通过关系抽取挖掘潜在语义关联,提出了基于语义关系的时序推荐模型。首先,在单领域知识的基础上设计一个轻量级的知识图谱;接着将用户和项目之间的交互定义为三种语义结构关系,包括用户与用户之间的社交关系,用户与项目之间的显式交互,项目与项目之间的隐式相关信息。然后加入了项目的流行元素对推荐的影响,通过深度学习技术获取用户动态偏好与项目短期特征。实验结果表明推荐算法的预测准确度得到提升,同时该模型不需要额外知识补充,因而方法更加高效且具有普遍适用性。