推荐系统旨在为用户推荐个性化的在线内容和物品信息,缓解信息过载问题。基于协同过滤的推荐算法取得广泛应用,但是其容易受数据稀疏和冷启动等问题困扰。近年来,研究者尝试引入知识图谱信息,通过构建基于知识图谱的混合推荐系统即知识增强推荐系统,进一步改善推荐性能。知识图谱中丰富的背景信息对提升推荐结果的准确性、多样性和可解释性有很大帮助。然而,现有研究工作普遍在欧氏空间上进行图嵌入的做法可能导致算法无法充分捕获知识图谱中的复杂语义信息。因此,本文针对知识增强推荐任务的数据特性和主要挑战,在表示能力更强的双曲空间上对知识增强推荐算法展开研究,主要研究工作及成果如下:首先,基于双曲几何理论的庞加莱球模型（PoincaréBall Model）构建了一个三层双曲嵌入域。该双曲嵌入空间的内层、中间层和外层分别嵌入协同知识图中的用户节点、物品节点和知识实体节点,以此实现了对知识增强推荐场景数据中“用户—物品—知识属性实体”层次性结构信息的显式建模。在该双曲嵌入空间的基础上,提出一种基于多任务学习的双曲空间知识增强推荐算法。该算法在预设的三层双曲空间中初始化用户、物品和知识实体的嵌入表示,然后通过个性化推荐模块和知识图嵌入模块学习和优化嵌入表示,最后基于多任务学习框架对两个任务进行联合训练。在三个公开推荐系统基准数据集上的实验结果表明该算法与现有算法相比获得了更好的推荐效果。其次,进一步地研究了不完整知识图谱上的知识增强推荐问题。实际知识图谱数据源普遍存在知识信息缺失的问题,而知识缺失可能严重影响现有知识增强推荐算法的性能。因此提出了一种基于异质邻域聚合的双曲空间知识增强推荐算法。该算法改进了知识属性节点的优化策略,在异质邻域信息聚合模块中利用双曲嵌入空间内与待优化知识节点相邻的用户节点集所包含的关联协同信号来减少知识信息空缺带来的影响。在共计15个设置了不同知识信息缺失比例的不完整知识增强推荐数据集上进行了测试,实验结果表明了该算法在不完整知识图上的推荐性能表现优于其他知识增强推荐算法。