在大数据和人工智能盛行的今天,如何高效地在大量的数据中挖掘出用户感兴趣的商品、音乐等项目是推荐系统的主要任务。现如今,用户的个性化推荐在诸多领域都发挥着不可忽视的作用,例如电子商务网站将收集到的众多用户的浏览、购买、评价等历史记录数据加以挖掘、分析进而预测用户可能感兴趣的商品来将其推荐给用户;在线音乐平台同样也可以根据用户收听、收藏、喜爱的音乐类型风格等数据分析用户感兴趣的作品来进行推荐。当前推荐系统应用最为广泛的算法就是基于协同过滤的算法,可以分为基于项目的协同过滤和基于用户的协同过滤,但基于协同过滤的推荐算法存在如果用户与项目之间交互过少就会造成数据稀疏和冷启动的问题。因此,丰富项目的表示,发掘用户和项目之间更高阶的关系可以有效提高推荐系统的推荐效果和准确率。针对现有方法存在的不足,为了丰富知识图谱中的项目表示,本文提出在传统知识图谱中融合用户行为特征信息的方法,以此来增强用户与项目之间的联系。在此基础之上本文通过引进注意力机制递归的嵌入传播用户的兴趣偏好信息和项目知识信息的方法来挖掘用户和项目之间的高阶关系。基于以上方法本文提出了基于融合用户行为特征知识图谱的推荐算法。首先本文通过在传统的知识图谱中融合用户行为特征信息提出了一种增强用户和项目之间联系的方法。现有应用于推荐系统的知识图谱融合多源异构辅助信息,例如用户的社交信息、项目的相关属性信息、项目的交互数据等。这种方法虽然在一定程度上缓解了基于协同过滤推荐方法存在的数据稀疏和冷启动的问题,但是仅考虑到这一类辅助信息仍不能在用户和项目之间建立紧密的联系,忽略了部分潜在的用户意向,因此本文提出在传统的知识图谱中融合用户的行为特征信息加强用户与项目之间的联系,丰富知识图谱中的项目表示,细化了知识图谱中节点的嵌入,提高推荐的准确性、多样性和可解释性。其次本文通过引进注意力机制提出了一种发掘用户项目间高阶关系的方法。利用注意力机制计算得到知识图谱中各实体节点的权重,表示给予各节点的不同的关注度,通过建立多个嵌入传播层递归的传播用户的兴趣偏好和项目知识信息。这种方法不仅提高了知识图谱中实体信息传递的有效性,而且能够挖掘到项目间更深层的关系。高关注度的项目信息将会对最终的推荐结果产生更加积极的影响,低关注度的项目将作为反馈进行模型的训练,以此提高推荐的准确率。最后本文在三个不同的数据集上对本文提出的方法与传统的推荐方法进行了实验对比,在两项评价指标上的提升验证了本文方法的有效性。