随着互联网技术的发展,网络数据内容呈指数级增长,推荐系统应运而生,有效缓解了数据过载问题。但是数据稀疏问题严重影响推荐系统的推荐性能,因此知识感知的推荐方法提出引入包含丰富异构信息的知识图谱来增强推荐,如何挖掘知识图谱中有用的信息来提高知识感知推荐方法的性能依然是一个巨大的挑战。受图神经网络在图数据领域成功应用的启发,大量基于图神经网络的推荐方法被提出,它们在知识图谱上显性地进行嵌入传播获得了先进的推荐性能。本文主要围绕基于图神经网络的知识感知推荐方法进行研究,探索图神经网络如何有效挖掘知识图谱中的异构信息来提升传统推荐和序列推荐的性能。本文主要的研究内容为:（1）在知识感知的传统推荐场景,针对普通的图神经网络从知识图谱中挖掘的知识相对不同用户过于冗余的问题,本文提出了一种基于知识图谱的用户偏好感知图注意力网络推荐模型。该模型先为每个用户构建一个目标-行为关系子图,然后在构建的子图上使用用户偏好感知的图注意力网络来挖掘用户偏好相关的知识内容,最后经过一个表示激活层抽取用户交互记录中与候选项目相关的信息作为用户行为偏好表示。在两个常用数据集上的实验验证了该方法的有效性。（2）在知识感知的序列推荐场景,针对之前方法没有充分挖掘知识图谱中不同实体属性之间复杂交互关系的问题,本文提出了一种知识图注意力网络增强的序列推荐模型。该模型在连接了用户交互二部图的混合知识图谱上先进行基于翻译方法的嵌入学习,然后利用图注意力网络来挖掘项目间的高阶协同信息,最后使用一个循环神经网络来学习用户的动态偏好。在两个常用数据集上实验验证了该方法的有效性。（3）基于提出的两种知识感知推荐方法,本文实现了一个能为用户提供个性化书籍推荐服务的书籍推荐系统。