随着大数据时代的到来,现在互联网上涌现出了大量的信息和数据。由于数据的急剧增长,用户很难在大量的信息中挑选出自己感兴趣的内容,因此各个行业各个领域都希望能从现有的知识中提取出有用的用户信息,从而更好地推荐用户感兴趣的内容。而如何充分利用现有的互联网资源,将多种来源的异构信息融合起来,用于推荐系统,具有重要的研究意义。针对传统的基于协同过滤的推荐系统中存在的稀疏性问题,提出了在推荐系统中聚合知识图谱的方法,通过推荐系统和知识图谱的跨图关联学习来提高推荐性能。知识图谱包含了丰富的语义信息,因此首先提出了一种基于知识图谱和图卷积神经网络的跨图关联学习（KG-CGRL）方法,该方法利用图卷积神经网络,沿着知识图谱的链接拓展用户的兴趣,通过聚集实体的邻居信息的方法来发现用户的潜在兴趣。然而,在学习的过程中,一些信息量较少的邻居将不可避免地被引入到学习的过程中,损害了系统的推荐性能。因此还将记忆神经网络融入到了基于知识图谱的推荐系统中,提出了一种基于知识图谱和记忆神经网络的跨图关联学习（KM-CGRL）方法。记忆神经网络能够有选择地筛选出用户更感兴趣的信息,从而达到提高推荐的准确性的目的。最后在电影推荐和音乐推荐两个真实场景中进行了实验,其中,在电影推荐场景中,实验得到的AUC和F1数值分别为0.983和0.934,超过了现有的推荐算法。实验证明,提出的方法能有效地融合两个图中的语义信息,从而有效地提高推荐结果的准确性。