推荐算法能为用户快速并且准确的推荐符合喜好与需求的信息,解决了信息过载问题。近年来推荐算法在研究领域和应用领域都取得了巨大的成功,但是仍然面临着严重的数据稀疏性问题和冷启动问题,使得推荐效果降低。将知识图谱作为附加信息引入推荐系统在一定程度上缓解了数据稀疏性问题和冷启动问题,提高了推荐系统的精确性、多样性和可解释性。现有的基于知识图谱的推荐算法仍存在两点不足,首先现有的基于知识图谱的推荐算法在用户的表示中没有考虑到用户的周期特征,其次现有的知识图谱推荐算法没有从待推荐项目这个角度去考虑用户的近期兴趣。本文以基于知识图谱的推荐算法为基础,对上述两个问题进行研究,课题的创新点及主要工作如下:1)目前基于知识图谱的推荐算法中往往会忽略用户会随着时间周期性的交互一些具有相同或相似特征的项目。为了在用户表示中加强用户的周期特征,本文提出了基于多时间尺度的用户表示方法UEMT。该方法用不同的时间尺度对用户的历史项目序列进行划分,得到包含不同周期特征的周期序列,将不同的周期序列输入到长短期记忆网络中得到不同的周期用户表示。然后将周期用户表示与基础用户表示聚合得到最终的用户表示。最后为了验证该方法提高推荐效果的有效性,本文提出了基于多时间尺度用户表示的推荐算法RUEMT,并在三个公开数据集上进行实验,实验表明本文提出的基于多时间尺度的用户表示方法可以有效的提高推荐效果。2)用户近期交互过的历史项目会影响用户对待推荐项目的选择。本文提出了基于用户近期特征加强的待推荐项目表示方法IERFE。首先该方法通过自注意力机制获取用户的近期特征,然后通过注意力机制找到待推荐项目邻居特征中与用户近期特征相关性较强的特征作为项目重要特征,并以加和的方式将项目重要特征与待推荐项目结合在一起作为项目特征加强后的表示。最后为了验证该方法提高推荐效果的有效性,本文提出了基于多时间尺度与特征加强的知识图谱推荐算法KRMF,该方法使用IERFE获得待推荐项目表示,并使用UEMT获得用户表示。本文在三个公开数据集上进行实验,实验表明本文提出的方法有效的提高了推荐效果。