在大数据时代,各个平台都想利用数据信息基于推荐系统计算并更好的展示结果以获取收益。因此,如何更深的挖掘用户偏好已成为当下的研究热点。如今更多的算法模型层出不穷,研究表明,将辅助数据引入推荐系统是很必要的。近年来,由于知识图谱辅助数据全面,因此受到越来越多的关注。它通常以三元组的形式表示实体和实体间的关系语义信息,可以准确的表达用户与项交互的语义信息。通过探索在知识图谱中的内在联系,用户和项目之间的连接性反映了它们的底层关系,这些关系信息赋予推荐系统的推理和解释的能力。将多模态数据特征融合引入推荐系统中,能更好的挖掘用户的偏好。针对上述问题,本文主要研究如何对用户进行个性化推荐。相关主要研究内容概括如下:（1）设计了一种探索用户偏好传播的方法。该方法主要是利用知识图谱中的三元组清晰地展示了多步骤的相互关系,该关系是用户-项对的一条或多条路径。本文通过探索这些推理路径,实现了全面推理并分析了推荐的结果。在知识图谱中,将用户到项的路径正式定义为实体和关系的序列。给定嵌入项和用户的首选项集合,在首选项集合中的每个三元组通过项与三元组的头实体和关系的比较分配一个关联概率。关联概率可以看作是在关系空间中所测得的项目与实体的相似性。得到关联概率后,取尾部的和,用对于的关联概率进行加权可以得到向量值,该向量值被看作第一反馈,最后通过公式计算评估分。即得到用户首选项。（2）设计了一种知识感知路径可解释性推荐方法。知识感知路径模型包括三层:嵌入层、LSTM层和池化层。用户首选项的用户-项对路径作为嵌入层输入,得到嵌入数据集;然后将嵌入数据集输入到LSTM层中,在该层模型中对数据进行编码、训练,并进行有效的推理,得到各个路径的预测分;由于预测分没有具体说明每个路径的重要性,本文设计了一个池化层加入池化操作聚合所有路径的分数,使用梯度来表示重要性,并选出分最高的路径作为可解释性的路径进行推荐。在电影和书籍两个数据集的top@K和pn@K结果在K=4时,比最好的基线模型分别高15%,20%和10%,20%,AUC结果比起最好的基线分别提高了3.5%、6.8%,ACC提高了4.5%、5.0%。（3）设计了多模态特征交互深度融合推荐方法。该方法首先将多模态的特征数据用不同的方法进行处理,将标题数据转换为序列特征;视频和音频使用PCA降维,输入到两个不同的DNN层中,然后结合原始特征数据输入到深度融合模型中,并训练该模型。深度融合模型是基于x Deep FM模型,融合多种方法进行加权,最后预测得到最终的结果。该方法不仅能将隐式和显式的多模态特征进行高阶特征学习,将特征交互转换为可训练的向量值,还具备广度与可记忆学习特性,并且可以进行多任务训练。经过数据集验证,模型的Score为0.79363,比最好的基线模型高0.02。