本文基于序列推荐的思想,针对推荐系统存在的推荐准确度较低等问题,在推荐模型的项目嵌入阶段与序列建模阶段进行了改进以提高推荐的性能,具体问题与改进方法阐述如下。在对用户交互序列的处理中,现有的推荐模型在嵌入时仅仅关心用户的交互项目的顺序,忽略了用户交互序列项目属性与内容的相关性,对此本文在项目嵌入阶段引入了相关领域的知识图谱来获得辅助信息,通过丰富用户交互信息的形式改进了常规的嵌入方法。在实验中与先前主流的方法和未加入数据集相关领域知识图谱的方法进行了比较,结果证明提高了嵌入方法的性能。在序列建模阶段,现有模型大部分使用循环神经网络（Recurrent Neural Network,RNN）对于用户交互序列进行建模,与循环神经网络相比,时间卷积网络（Temporal Convolutional Network,TCN）的并行性较好,对比循环神经网络存在结构上的优势,并且在自然语言处理领域已经证明有着不错的效果。在用户的近期交互阶段,偏好变化较为频繁,时间卷积网络因为其结构上的优势,更有益于用户的近期交互建模。所以本文引入时间卷积网络对于用户近期交互序列进行建模来提高近期偏好获取的准确性。除近期阶段建模的问题之外,针对没有充分考虑用户交互序列导致推荐准确度较低的问题,本文在考虑用户近期交互序列的基础上,也在建模过程中加入了用户长期交互序列,充分考虑到了用户各阶段的交互序列来提高推荐模型的性能。同时考虑到用户的长期与近期偏好是有益的,但是简单的对于用户两个阶段的偏好相结合并不会起到很好的推荐效果,本文在同时考虑用户的近期偏好与长期偏好的基础上,基于注意力机制动态地融合了用户的近期与长期两个交互序列的偏好,从而提高了推荐的准确性。综上所述,针对以上提到的目前推荐方法的不足,本文在嵌入阶段引入相关领域的知识图谱来丰富交互信息,引入时间卷积网络以提高用户近期偏好建模的准确度,同时在模型最后加入注意力机制来动态融合用户各阶段偏好,从而提高了推荐的性能。最后,在实验环节中,在电影与音乐领域的公共数据集Movie Lens与Last FM上进行了实验,结果证明提出的模型发挥了作用,起到了较好的效果。