推荐系统可以为用户提供符合其爱好的推荐项目,在互联网中有着广泛的应用,例如商品推荐,书籍推荐等。然而,现有的推荐系统中普遍存在数据稀疏和解释性差的问题。为了解决这些问题,已经提出将知识作为一种辅助信息引入到推荐系统中。这种方法不仅可以缓解上述问题,还可以为推荐结果提供一定程度的可解释性。基于知识的推荐是将知识图谱中聚合得到的相关信息转移到推荐系统中,从而达到利用知识增强推荐的目的。尽管基于知识的推荐模型已经取得了较好的效果,但现有方法仍然存在一些问题:第一,推荐系统中的用户偏好具有多样且多变的特点,而当前主流模型在建模用户偏好的过程中没有充分利用知识图谱中的关系,影响了推荐的准确性。第二,利用图神经网络对知识图谱进行嵌入时,没有考虑到每条边都有相应的类型,并且仅限于学习节点的表示,对知识的利用程度不够。为了解决上述的问题,本文完成了下述工作:1.提出了结合知识利用注意力机制进行建模的偏好建模模型。将用户的偏好与知识图谱中关系的分布相关联,进一步抽象出用户的隐含目的。通过注意力机制计算不同关系在隐含目的中的重要程度,更重要的关系将会被分配更大的注意力分数。同时,还引入了独立性约束以鼓励不同的隐含目的之间具有更大的差异性。而关系的引入也为推荐结果提供了一定的可解释性。与未利用关系的基线模型相比,本模型在五项评价指标上均取得了一定的提升。2.提出了一种新的基于多关系类型的图卷积网络模型。在利用图卷积网络聚合知识的过程中,将针对不同的关系类型进行对应的操作,从而使得知识聚合过程能够更好地收集来自知识图谱的信息。然后结合用户隐含目的,将生成的高质量知识嵌入融合至推荐系统中,从而获得完善的用户与物品表示,提高推荐系统的准确性。本文在两个真实公开数据集上进行了一系列实验,实验结果表明,本文的方法在评价指标上均达到当前领先水平。3.将本文所提模型应用于推荐系统,实现对书籍的推荐。首先收集书籍的相关信息,然后对书籍数据进行预处理,构建书籍知识图谱。然后根据训练模型实现书籍推荐系统,搭建基于评分的推荐系统环境。最后实现评分预测,根据预测评分的结果为相应的用户推荐若干书籍。