随着互联网的快速发展,我们面临的数据量呈指数级增长。用户面临严重的信息过载问题,难以短时间内从所有资源中找到所需要的内容。推荐系统的目的是根据用户的兴趣为用户提供个性化的推荐项目,来提高用户体验。然而,推荐系统还存在数据稀疏性问题和冷启动问题。网络是世界中常见的数据形式,相比文本数据具有更多的结构信息。知识图谱是一种特殊的异构网络,具有精准性、多样性和可解释性的优势,在推荐系统中作为辅助信息能够挖掘到更精确更高阶的信息,从而增强推荐模型的表达能力。因此,本文试图利用普通网络结构和知识图谱为推荐系统提供更充分的信息来增强表示,以此提升推荐系统的效果。本文提出将网络表示学习方法和知识图谱使用在推荐系统中,利用网络和知识图谱丰富的结构语义信息和高阶连通性,减轻推荐系统存在的数据稀疏性和冷启动问题。根据推荐不同场景的数据特征,本文分别利用普通网络结构和知识图谱形式来重构和补充数据,然后利用网络表示学习和知识图谱嵌入方法与推荐任务结合,挖掘更充分得节点特征。将普通网络表示学习的方法融入推荐系统,具有更大的普遍性和拓展性。将知识图谱嵌入的方法融入推荐系统,虽然需要构造知识图谱,但知识图谱的结构和语义优势,为推荐模型提供了高质量的节点特征,有效提高了推荐系统的用户体验。本文主要研究内容及研究贡献如下:（1）本文通过对推荐系统不同场景的数据进行分析,将用户项目交互数据构建为二部图,将项目属性信息构建为知识图谱。并且在此基础上对图进行改进,首先,将二部图与属性知识图谱进行实体对齐知识融合,得到一张包含用户项目交互信息和项目属性信息的连通图。其次,根据节点之间的相似性进行连边,根据项目之间的相似性进行连边,更好得刻画用户画像和项目特征,使得增强网络结构的高阶连通性。（2）本文提出基于类型感知的图卷积网络（Type-Aware GCN）推荐算法。本算法将网络结构引入了推荐系统,首先采用类型感知的邻居采样和聚合操作来学习特定类型的邻域表示。然后,利用注意力机制来区分不同节点类型的重要性。通过在公开数据集上进行实验,与7个基线推荐模型进行对比,验证了网络结构的引入和节点分类感知的方法可以提高推荐系统的性能。（3）本文提出基于多粒度聚合的知识图谱推荐算法（MAKR）。本算法提出了一种基于图神经网络的新型聚合器,综合考虑类型感知注意力、细粒度Transformer和粗粒度FM来对邻居信息进行聚合,从多粒度刻画了用户和项目表示。经过在三个公开数据集上的实验,验证了从多粒度进行聚合邻居信息能够提升推荐系统的性能。