随着信息技术以及互联网的快速发展,人们可以接触到的信息数量呈指数上升的趋势。然而,每个用户的时间是有限的,随着信息增长的速度越来越快,用户消费信息的效率反而越来越低,这种现象一般被称为信息过载（Information Overload）,信息过载会使得用户无法在短时间内寻找到自己想要获得的信息。推荐系统的诞生就是为了缓解此类问题的。然而在各种互联网平台上,用户消费过的信息是非常少的,因此推荐系统也会面临数据稀疏等问题。为了解决这些问题,研究人员通常使用一些外部信息来辅助推荐算法,其中基于知识图谱的推荐算法就是最近研究者比较关注的一种。但是,大部分的此类工作都没有利用到生活中比较常见的文本和图像等多模态信息,这些信息会影响用户的决策。多模态知识图谱是将多模态信息引入到知识图谱的一种技术,因此可以作为推荐系统的知识源。在很多推荐场景中,比如电影推荐场景中的导演,演员信息;音乐推荐场景中的歌手,乐队信息等,可以利用这些常识信息构建知识图谱。在此基础上,图像视觉知识,文本知识等多模态信息可以将知识图谱丰富为多模态知识图谱,这样可以很自然的让基于知识图谱的推荐系统利用到多模态信息从而提升推荐效果。然而目前多模态知识图谱的研究还处于起步阶段,研究工作还比较少,而且推荐系统也是如今互联网非常重要的技术。因此,探索两种技术如何合理应用成为了一个有前景的工作。为了探索这个新的领域,本文提出了多模态知识图注意力网络（Multi-modal Knowledge Graph Attention Network）,简称为 MKGAT模型,目的是为了利用多模态知识图谱的信息来提升推荐算法的效果。据文献调研所知,本工作是将多模态知识图谱整合到推荐系统中的首个工作。此外,本文提出的MKGAT创新性地利用改进的图神经网络（Graph Neural Networks）将多模态知识图谱中的多模态融合过程转化为图的信息传播过程,进一步丰富推荐系统中物品和用户的表征,从而提升模型的效果。最后本文构建了两个含有多模态知识图谱的推荐系统数据集,并在这两个数据集上进行了详细的实验,结果验证了本文提出的模型MKGAT的有效性。此外,本文在消融实验中也对模型的各个模块进行了分析,分析结果表明MKGAT可以高效地利用多模态知识图谱来提升推荐算法的性能。