随着日常生活逐渐数字化和智能化,生活数据的规模的快速增加以及算法能力的不断提升,日常生活中越来越多的场景从线下转型到线上,各种需求也在被计算机高速地解释并解决着。推荐领域作为一个贯穿生活方方面面的实用场景,一直以来都是商品领域研究的重点,近几年来随着商品的种类越来越多,用以区分商品类型的信息也越来越繁杂,如何将丰富的信息集成到推荐系统中并提升其推荐效果成为推荐领域研究的重点。图结构在推荐系统内既可以描述用户和项目关系,也可以描述实体与属性关系。因此近几年是推荐系统研究的趋势。从这两个关系出发,本文提出了一种融合双边侧信息和层次化知识的推荐系统,将推荐系统中的图结构数据分割成两层,分别是基于双边侧信息的属性层和基于用户和项目交互信息的交互层。在这两层图结构上,本文学习不同层面的用户和项目的嵌入表示。并将所学到的嵌入表示统一投入到融合多层注意力机制的神经协同过滤模型以预测最终评分。本文主要工作如下:（1）本文首先在经典推荐数据集上进行数据的拓展,以丰富属性层的信息。具体操作就是将电影数据集MovieLens-1M中的电影名和书籍数据集Book-Crossing中的书籍名与WikiData中的实体进行链接,并爬取实体所拥有的关系和属性。然后采用不同的算法学习用户及项目的侧信息。最后通过实验来验证拓展信息后的有效性,实验结果显示,经过训练的嵌入表示较好的反映了其所包含的信息。（2）本文在用户和项目的交互层面重视项目的文本描述信息（比如电影简介）所包含的语义信息以及词分布特征,将传统的“用户-项目”有权二部图扩展成“用户-项目-项目描述文本主题”有权三部图（简称为有权三部图）,其中提出Wasserstin-LDA距离计算方法来计算项目和项目描述文本主题间的距离;同时为了区分个体化的喜好,本文通过设置不同的随机游走权重,在有权三部图中进行基于喜欢和基于厌恶的两种随机游走,并进一步学习基于喜欢和基于厌恶的两种嵌入表示。最后,本文通过实验来检验在交互层所提出的策略的有效性。实验显示在这种策略下所学习到的嵌入表示既较好地反映了交互层所包含地信息,还相比于基线模型有较好的评分预测效果。（3）本文提出融合多层注意力机制的推荐系统,首先增加了元路径选择层面、情感层面以及融合层面的注意力机制,以有效地聚合不同层面下学习到的嵌入表示,从而得到用户和项目的统一嵌入表示。然后,使用用户和项目的统一嵌入表示的外积来取代向量的拼接。最后选择卷积隐藏层代替全连接层,将外积矩阵作为输入,预测评分作为输出进行训练。实验显示本文所提出的融合双边侧信息的推荐系统对比基准实验在各项指标上均有所提升。