推荐系统是用于解决当前随着大数据的发展而日益突出的信息过载问题的重要手段,为用户筛选所需信息节省了大量时间和精力,同时也创造了巨大的商业价值。最近几年,由于能够有效缓解传统推荐系统中存在的交互稀疏问题和冷启动问题,引入了知识图谱的推荐系统正受到越来越多的研究者关注。基于知识图谱的推荐系统的主要挑战是从用户历史交互信息和知识图谱所包含的丰富的额外信息中学习高效的用户/物品嵌入。然而,现有的大多数方法过于关注对知识图谱进行信息挖掘,往往忽略了对用户历史交互中的所蕴含的协同信息的有效利用。其次,如何将协同信息和知识图谱中丰富的知识实体语义信息高效结合以增强推荐,也很少被目前的相关研究所提及。另外,大多数采用了图神经网络的推荐模型只适用于处理齐次图,而不是像知识图谱这样的异构图,因此,更合理有效的图神经网络模型结构有待进一步研究。针对上述三个问题,本文进行了深入研究并设计了一种基于相似性的异质图注意力神经网络（Similarity-based Heterogeneous Graph Attention Network,SHGAT）,包含下列几个方面的改进。针对第一个协同信息未得到充分利用的问题,利用用户历史交互信息对物品的嵌入表示进行预训练,从而完成物品之间协同相似性的建模,同时,用户嵌入通过其历史交互过的物品嵌入计算得到,从而将物品嵌入的相似特性传播至用户的嵌入表示中。上述预训练过程所得到的物品嵌入作为后续推荐模型中物品的初始化表示。针对第二个融合协同信息和知识实体语义信息的问题,本文仍采用了预训练方法,先利用关系投影矩阵对实体嵌入进行投影,然后通过建立头实体到尾实体的翻译关系来学习非物品实体和关系的嵌入表示。为了保留物品嵌入所包含的协同相似性信息,在预训练过程中冻结物品嵌入,从而将协同信息和实体语义信息结合起来作为有力的先验知识来增强推荐。针对第三个图数据学习模型的设计问题,本文提出了一种应用了重要性采样和聚合的图注意力神经网络,根据每个用户对不同实体的注意力得分来采样子图和聚合邻域信息,用来减少子图中的噪声干扰,以及区分用户不同的细粒度个性化偏好。另外,本文还针对知识图谱的异质特性优化了信息的传播方式,用于减轻由于不同类型信息混杂带来的性能损失。本文将所提出的推荐算法在两个公开数据集上进行效果验证,并将实验结果与其他典型推荐模型进行对比,结果证明在点击率预估和Top-K推荐两项任务中,SHGAT的表现均优于其他模型,另外,大量的对比和消融实验以及模型收敛性分析实验的结果也证明了所提出改进的有效性。