推荐系统在缓解信息过载方面发挥着关键作用,经典的协同过滤推荐算法利用用户的历史交互记录来挖掘用户偏好。然而,协同过滤推荐算法通常面临稀疏性和冷启动问题。知识图谱作为辅助信息引入推荐系统可以缓解上述问题,得到了广泛的关注。图神经网络对图结构数据有着卓越的学习能力,已成为推荐领域的重要方法。因此,基于知识图谱的图神经网络推荐算法是近些年的研究热点。然而,现有研究忽视了噪声对推荐性能的不利影响,知识图谱的冗余噪声信息和用户的噪声交互为推荐带来了挑战。此外,用户历史交互数据稀疏,现有研究只关注用户-项目交互的明确建模,图神经网络只能聚合项目的局部邻居信息,难以提取到非局部邻居信息,这导致对用户的潜在兴趣挖掘不足,限制了推荐性能。因此,本文对基于知识图谱的图神经网络推荐算法展开研究,针对以上问题,提出了基于知识图谱的双通道图神经网络降噪推荐算法和基于潜在知识增强的图神经网络推荐算法,主要研究内容如下:（1）针对推荐过程中的噪声问题,本文提出了基于知识图谱的双通道图神经网络降噪推荐算法（KDGNN）,该算法旨在减少推荐过程中的噪声来提高推荐性能。具体来说,首先该算法设计了一个双通道图神经网络,能够同时提取邻居实体特征和关系特征,从而最大程度的提取知识图谱中的知识信息。其次,该算法设计了一种个性化的门控机制,即双通道平衡机制,以阻止知识图谱中冗余噪声的传播。然后,集成用户个性化信号和知识感知信号,以充分全面地捕捉用户偏好,并使用个性化的知识感知注意力对用户的交互数据进行去噪。最后,在三个公共数据集上进行实验性能分析,验证了KDGNN算法的有效性。实验结果表明,KDGNN算法优于对比的先进基线算法,尤其是在Last.FM数据集上,在AUC上提升了2.6%,F1上提升了1.9%。（2）针对用户交互数据稀疏且现有方法难以挖掘项目的非局部知识信息的问题,本文提出了一种基于潜在知识增强的图神经网络推荐算法（PKGNN）。具体来说,首先充分利用用户-项目交互数据,扩展用户的潜在兴趣项目。然后利用知识图谱中丰富的语义信息,扩展与项目有着语义相关的潜在项目。再将用户和项目的潜在相关项目进行知识传播,从而提取用户和项目的非局部邻居信息。最后,在不同的数据集上进行实验性能分析。实验结果表明,PKGNN相比基线算法有着更好的推荐性能,相比于最强基线算法,整体性能提升5%左右。