随着近些年来电子商务平台的繁荣发展,存在于互联网上的时尚商品数据总量呈指数级爆炸增长,海量的服装数据虽然提供了更多的选择,但也导致了信息过载现象,这使得用户眼花缭乱,难以有效地从中找到他们心仪的商品。因此,个性化的时尚商品推荐技术受到了研究者们的广泛关注。该类方法旨在根据用户的历史行为以及某些辅助信息来建模用户的个性化偏好,并基于此从大量的服装数据中为用户推荐其最可能感兴趣的商品。与传统的推荐任务,诸如新闻推荐,电影推荐不同,除了用户和商品的交互信息之外,时尚商品推荐或者说服装推荐任务更加重视对服装视觉特征的利用,因为服装的视觉图片不仅蕴含有大量的服装商品信息,同时也是影响用户选择的重要因素之一。有鉴于此,研究者们目前已经提出了诸多视觉增强的服装推荐方法。尽管这些工作已经取得了令人振奋的进展,但是这些工作都存在一些问题,它们或是忽视了视觉图片在对服装商品进行描述上所存在的局限性;或是忽视了引入某些非结构化数据（如用户评论）而导致的数据噪音;更重要的是,它们大多都忽视了知识图谱与图网络模型在利用属性等结构化数据来发掘用户细粒度时尚偏好上的潜力。事实上,知识图谱与图神经网络已经在计算机视觉和推荐系统等诸多领域得到了广泛的应用,包括场景图生成、动作识别、影视推荐等。除此之外,图神经网络在提高推荐模型的可解释性上也有很大的帮助。为此,本文中提出了一种基于知识图谱的多模态可解释推荐算法（Multi-modal Explainable Fashion Recommendation based on Knowledge Graph）来解决个性化服装推荐问题,简称MEFR。具体来说,为了应对异构的多模态数据,本文分别引入了面向属性和面向视觉的协作知识图,并设计了 MEFR的三个关键组件:基于属性知识图谱的表示学习、基于视觉的表示学习和多模态增强的偏好预测。为了更好地建模各种关系类型,本文提出了一种新颖的关系感知传播方法,用于自适应地聚合来自邻居节点的信息,以促进用户和服装表示学习。除此以外,为了缓解不均衡的属性分布问题,本文在关系感知置信分配中引入了深度多任务学习策略。在真实世界数据集上进行的大量实验表明了文本所提的方法在个性化服装推荐任务上的有效性。