随着信息技术的快速发展,线上购买水果已成为新的趋势。当前,水果已成为主流电商平台上销售额最高的农产品品类。在已有电子商务推荐系统中,大多将水果作为普通商品,忽略了产地、保质期、价格等属性信息对用户选购时的影响。导致最终推荐效果不理想,用户体验不佳。为充分运用水果商品相关属性信息,提升推荐效果,同时针对已有知识图谱推荐方法中,信息利用不全等问题,本文运用知识图谱相关技术,构建水果商品知识图谱;在此基础上,提出一种基于知识图谱的水果商品推荐模型（Fruit commodity recommendation model based on Knowledge Graph,FR-KG）。本文的主要研究工作如下:（1）运用Neo4j图数据库构建水果商品知识图谱。通过在京东网站的水果专栏获取真实的水果商品相关数据,然后进行清洗和预处理;然后运用Neo4j对多种不同实体类型和关系类型的定义,构建水果商品知识图谱;在此基础上,利用Trans R知识表示学习模型,对所构建的水果商品知识图谱进行向量化,并将其映射成低维稠密的向量空间。（2）为了缓解已有知识图谱推荐方法中信息利用不全等问题,提出了FRKG推荐模型。在知识图谱中通过聚合邻居节点更新每个节点的表示,同时运用注意力机制为不同重要性的邻居节点分配不同的权重。并融入了知识图谱中用户与水果商品之间的连接路径的处理,使用多层感知机预测用户与目标水果商品交互的可能性,根据可能性高低向用户推荐。（3）为了提升聚合邻域信息的效果,本文在GCN Aggregator和Graph Sage Aggregator聚合方法基础之上提出一种新的知识图谱邻域聚合方法Double-End Aggregator。针对用户到水果商品之间的连接路径,利用随机游走的方式获取了路径,使用了双向循环网络进行处理,得到了关于路径的嵌入表示。连接路径有利于揭示用户对水果商品的偏好,这不仅有利于提高整个模型的推荐性能,还能够为推荐的背后提供解释。（4）验证与评价,本文FR-KG推荐模型与传统推荐模型和几种基于知识图谱的推荐模型进行对比试验,验证了FR-KG推荐模型的有效性。探究了FRKG推荐模型中注意力机制,聚合邻居节点的层数对模型推荐性能的影响,并比较了GCN Aggregator、Graph Sage Aggregator和Double-End Aggregator三种聚合方法,验证了本文所提出聚合方法的效果。指出了本文工作的不足之处以及对未来基于知识图谱的推荐研究进行了展望。