互联网的广泛使用给用户带来了大量的信息,为了减少信息过载的影响,研究人员提出了推荐系统为用户进行个性化的推荐。当前,将知识图谱与推荐系统相互结合的研究引起了众多学者的关注,通过研究知识图谱中实体之间的联系,可以发现用户和项目的潜在语义,有助于提升推荐系统的性能。然而,现有的基于知识图谱的推荐系统大多未能考虑到用户的偏好特征和项目的邻域特征,且未能同时将用户特征和项目特征与知识图谱进行有效的信息融合。（1）本文针对多数基于知识图谱的推荐模型未能有效地对用户特征建模,且未考虑知识图谱中实体之间的邻域信息的问题,提出了一种融合知识图谱和图卷积网络的混合推荐模型。该模型通过KGCN算法计算项目的邻域特征向量,对知识图谱中实体之间的邻域关系进行建模,以便更好地利用知识图谱的结构信息,同时采用协作传播和交互单元操作有效地促进用户和知识图谱中实体之间的信息融合,使用交替学习的训练方式计算用户的特征向量。在三种公开数据集上与七个基线模型进行了对比实验,实验结果证明,本文提出的混合推荐模型与其它具有代表性的推荐模型相比具有良好的推荐性能。（2）针对基于知识图谱的推荐模型多数未能将用户-项目交互中的协作信号进行编码,且未考虑到用户的偏好特征的问题,本文提出了一种融合偏好传播的协同知识感知注意力推荐模型。该模型使用异构传播策略显式地编码协作信号和知识关联信号,并通过偏好传播策略提取用户的偏好特征。该模型在三个真实数据集上进行实验分析,设计了基线模型对比实验、消融实验、参数的敏感性分析实验和稀疏性问题的分析实验。实验结果表明,本文提出的推荐模型与其它基线模型相比具有良好的推荐性能,且能够有效缓解数据的稀疏性问题。