如今,从网上购物、视听娱乐到生活旅游等方面,人们的日常行为和决定越来越多地受到推荐系统的影响。所谓推荐即是根据用户的历史、项目的相关属性进行建模,从海量的信息中,推断出用户的兴趣爱好,帮助用户找到感兴趣的项目。推荐系统的技术核心是如何从巨量信息中为用户挖掘出有效的信息。然而,传统的推荐算法里已有的数据稀疏性问题,会致使推荐质量不太理想,无法更好地提升用户对系统的满意度。再而,因缺少系统给出的推荐结果的解释说明,降低了用户对系统的信任度。现为解决这样的问题,提升推荐系统给用户的体验,本文从推荐系统存在的数据稀疏性问题和不可解释性问题出发,在提升推荐系统的准确性和可解释性两方面展开,通过将知识图谱引入推荐系统,分别提出了推荐概率预测模型和路径级的推荐解释模型。推荐的准确性作为本文的第一个任务,其依然是推荐算法的首要研究点,数据稀疏性问题目前仍是制约推荐质量进一步提高的瓶颈。为缓解推荐算法中数据稀疏的问题,提升推荐的准确性,目前存在的相关工作从不同切入点对用户和项目信息进行分析、处理,以降低数据的稀疏程度,但仍然存在以下不足:1)在传统协同过滤算法中,将附加信息融入推荐以缓解数据稀疏,存在数据间相关性无法捕捉的问题,会限制推荐准确性进一步提升;2)在深度协同过滤算法中,以学习到的特征来缓解数据稀疏,存在对数据深层次理解的问题,因机械式地特征拟合会造成推荐准确度的偏差,且深度学习具有“数据饥饿”的特点。针对推荐准确性任务在现有研究中的不足,本文的主要工作如下:●提出了KGE-CF模型,此模型首先从用户的交互历史项目出发,利用一种多源结构化的数据,即项目之间的知识图谱。该模型首先通过实体间语义依赖关系,来丰富项目数据信息,以缓解稀疏。其次,KGE-CF模型将学习到的用户偏好向量与项目向量结合输入到多层感知机中,充分学习出用户与项目间的高阶交互信息,从而预测用户偏爱项目的概率,此模型具有良好的推荐效果。推荐的可解释性是本文研究的第二个任务,推荐结果的可解释性是提升系统透明度、用户信任度及满意度的关键所在。作为可解释人工智能领域的一个重要分支,可解释推荐系统的研究现已受到金融、医疗等多个领域的关注。推荐系统的可解释性能够进一步增强用户认可度和信任度,并为开发和研究可解释机器学习提供合适的背景。为了使推荐内容更容易被用户所接受,改善用户体验。本文做出的主要工作如下:●提出了KPCRN模型,首先利用深度搜索从知识图谱中提取用户历史交互项目的语义路径,然后通过文本卷积神经网络与循环神经网络对用户与项目的连接路径建模,最后利用权重池化得到用户对项目的偏好概率。对于提取出的路径都能显式推断,从而达到使推荐系统具有路径级推荐解释的目的。通过在真实数据集（Movielens,Book-Crossings,Last.FM和KKBox）上的实验,结果证明了本文提出的基于知识图谱的高阶协同过滤KGE-CF推荐模型能够缓解数据稀疏,提高推荐准确率,具有良好的预测效果;提出的知识路径卷积循环网络KPCRN模型,在提升推荐系统性能的同时,能有效解决推荐结果不可解释的问题,对推荐结果具有路径级的显式解释。