近年来,知识图谱在推荐系统中的应用越来越受研究人员的重视,它不但可以提高推荐的准确性,而且有效的解决了传统推荐算法中存在的数据稀疏性问题和冷启动问题。但是,现有的基于嵌入和基于路径的知识感知推荐算法都存在各自的局限性,并且在使用知识图谱作为辅助信息时并未考虑知识图谱的不完整性。为了解决上述问题,本文提出了基于注意力机制的知识感知融合推荐算法,通过注意力机制合并知识图谱中的实体获取用户偏好,使用知识图谱嵌入的同时无需人工设计元路径,就可以自动发现从用户历史记录中的项目到候选项目的路径。同时,本文在将知识图谱作为辅助信息引入到推荐系统时考虑了知识图谱的不完整性,提出补全算法,提高算法对于关系的预测能力。融合本文的推荐任务与知识图谱补全任务,实现两个任务的相互增益,最终实现精准的推荐。具体工作如下:一、提出了一个基于注意力机制的知识感知推荐算法。首先,以用户的历史点击项为中心,通过实体传播算法,得到多个与用户相关的实体集。然后,使用知识图谱表示学习将知识图谱中的实体进行嵌入。最后,通过注意力机制合并知识图谱中的实体表示用户,据此预测最终的点击概率。二、进一步提出了一个基于知识图谱补全的融合推荐算法。本文在Trans R算法的基础上提出了一种综合负采样策略,提高模型对于关系的预测能力。通过迁移学习联合推荐任务和知识图谱补全任务,结合推荐任务中的用户-项目交互矩阵提升知识图谱补全算法的性能,并利用补全后的知识图谱提升了推荐的准确性。三、将本文提出的算法与代表性的推荐算法在点击率预测以及top-k推荐这两个推荐场景中进行结果对比,并通过mean rank和Hit@k将本文算法与典型的基于翻译的知识图谱补全算法进行对比。结果显示本文算法均要优于对比算法。最后通过比较推荐任务的F1@10训练曲线以及知识图谱补全任务的Hit@10训练曲线,证明本文推荐任务和知识图谱补全任务之间确实进行了知识的迁移,并实现了相互增益。