传统的推荐算法通常被数据稀疏和冷启动问题所困扰，知识图谱的提出和图神经网络(GNN)技术的发展为解决这些问题带来了新的思路。由于知识图谱中包含大量的人类知识信息，以及信息间的潜在关联并且它还具有很好的扩展性，而GNN方法则可以很好地提取这些潜在信息。现有的基于GNN和知识图谱的推荐算法利用GNN处理知识图谱并将其做为辅助信息引入推荐系统，可以有效的解决冷启动和数据稀疏问题。然而，这些方法在邻域采样和邻域聚合两部分设计比较简单，且忽略了在推荐系统中同样有重要价值的用户信息，导致推荐效果一般。
　　本文首先针对邻域采样和聚合两部分提出了基于重要性的采样策略和基于池化操作的聚合策略。这种采样策略通过关系紧密度的计算来衡量不同邻居节点的重要程度，可以更具针对性的选择对目标项目节点影响更大的邻域。而聚合策略则通过引入一个可训练的池化层，训练邻域聚合权值来聚合邻域特征，可以更有差异化的聚合不同邻居对当前节点的影响。在此基础上，提出了融合这两种改进策略的改进算法KGCN-PL。
　　此外，现有的基于GNN的知识图推荐模型通常只考虑项目侧的单侧信息，忽视了用户之间的大量关联信息。针对这一问题，本文提出了一个使用用户关系图构建的基于用户侧信息的GNN推荐模型UVGNN-U，通过捕获用户潜在兴趣为用户进行推荐，并将其与本文提出的KGCN-PL算法融合得到基于双侧信息的GNN知识图推荐模型UVGNN，以进一步提高推荐性能。
　　最后，在6个真实世界数据集上对提出算法模型与基线模型进行详细对比评估，以验证提出改进策略及模型的有效性。