近年来,随着网络通信的迅猛发展和视频设备的日益改善,以网络视频为代表的文娱产业得到了空前的发展。视频作为一种生动形象的信息载体受到了人们广泛的青睐。但与此同时,人们也面临着越来越严重的“视频信息过载”难题。为了帮助用户在海量视频中快速找到自己感兴趣的视频,推荐系统应运而生。推荐系统的核心是推荐算法,以协同过滤为代表的传统推荐算法无论是在研究中还是实际应用中都取得了巨大的成功。然而,这些传统推荐算法无法捕获用户的动态偏好,同时还面临数据的稀疏性,推荐的精确性,可解释性等问题。为了应对上述挑战,本文将用户与项目的交互视作一个行为序列,通过对该行为序列建模来捕获用户的动态偏好。此外,本文将知识图谱融入推荐算法中,利用知识图谱的语义信息来丰富项目的表示,以此解决数据的稀疏性,推荐的精确性,可解释性等问题。本文的研究内容包含四部分:（1）针对传统推荐算法不能够捕获用户的动态偏好的问题,提出了一个基于用户-项目图结构的序列推荐模型。该模型将用户-项目的交互表示为二分图结构,然后利用图神经网络学习节点的表示向量,以此得到用户和项目更为有效的表示,最后通过自注意力网络来对用户的行为序列建模。（2）为了将知识图谱向量化表示,以便更好地利用其语义信息,提出了一个基于图卷积网络的知识图谱嵌入模型。该模型对Comp GCN模型的编码器和SACN模型的解码器进行了结合,并利用Bi-Interaction聚合机制改进了原始Comp GCN的聚合过程。（3）针对传统推荐算法中数据的稀疏性,推荐的精确性,可解释性问题,提出了一个基于知识图谱嵌入的序列推荐模型。该模型将研究（2）中得到的知识图谱嵌入融入到了研究（1）中提出的推荐模型,利用知识图谱的语义信息丰富了项目的表示。（4）基于研究（3）中提出的推荐模型设计并实现了一个视频推荐系统,并通过实验测试来展示其对用户的个性化推荐功能。