随着计算机技术的飞速发展,信息过载已经成为人们当前网络生活的一大阻碍。推荐算法是当前应对信息过载的重要手段。传统的推荐算法有着诸多问题,例如冷启动、数据稀疏等。随着神经网络、深度学习等算法的广泛应用,将时序交互信息与动态图神经网络结合已成为当前推荐系统研究的一大热点。过去研究者提出了一些基于用户项目交互历史的动态图算法,但是这些方算法只考虑了交互中所涉及到节点的演化更新,没有考虑交互过程对邻居节点的影响。针对此问题,本文提出了基于协同演进网络的推荐算法。它不仅考虑了用户项目交互对它们自身的影响,而且建模了影响传播函数,将这种影响扩散到它们的邻居节点,很好地缓解了数据稀疏问题,并且提高了最终推荐效果。首先,针对交互网络在协同演进过程中只影响更新交互的用户和项目自身的问题,提出了基于交互网络的影响传播推荐算法。它首先利用两个循环神经网络分别学习交互用户与项目的特征;其次定义了交互节点的高阶邻居集合,并利用基于时间阈值的注意力机制对交互影响的邻居节点进行选择,接着建立影响传播的传播函数,融合同一时刻不同交互对某一邻居节点的影响;然后更新受到交互影响的节点表示,利用感知机预测用户对项目的交互概率,并根据排序结果进行推荐;本文在三个基于现实世界的数据集上进行了实验,从实验结果中可以看出,基于交互图的影响传播推荐算法相比其他经典的对比方法能够有效的提高推荐效果。其次,上述提出的基于交互网络的影响传播推荐算法存在缺少用户与项目属性信息、邻居选择过程简单等问题。本文针对这些问题进行了改进,提出了基于知识图谱的影响传播推荐算法。首先针对交互图中缺少用户与项目属性信息的问题,在交互图基础上加入用户和项目属性,构建了信息更为丰富的知识图谱;其次,针对基于交互图的影响传播推荐算法中邻居选择过程过于简单,只考虑了时间因素的问题,提出在邻居选择过程中融合两个节点间的语义信息,改善邻居选择过程;最后,本文在三个现实世界的数据集上进行了实验,本文提出的基于知识图谱的协同演进影响传播推荐算法相比其它对比方法有着明显的推荐效果提升。