推荐系统可以在信息爆炸时代帮助用户发现潜在感兴趣物品,同时也为各企业带来了收益上的提升,因此推荐系统的研究具有十分重大的价值和意义。仅基于用户物品交互信息的协同过滤推荐算法已经有多年的研究历史,其推荐质量目前已经很难有重大提升了。随着知识图谱理论和图神经网络技术近几年的高速发展,知识图谱辅助推荐系统进一步提升推荐质量已经成为新的研究趋势。RippleNet是当前一种推荐质量较好的典型的基于知识图谱的推荐方法,但其在特征提取方面还存在信息利用不够充分的问题。因此以RippleNet为基础,通过对RippleNet的两种模型进行融合,在知识图谱上进行用户特征和物品特征的联合提取,从而构建出一种新的推荐模型,该模型能够更好的发现用户兴趣和物品特征在知识图谱上的分布及其之间的关系,进一步挖掘用户对物品的兴趣,从而提升推荐质量。根据所构建的基于知识图谱的推荐模型,设计并实现了一个原型推荐系统,在电影、音乐和书三大领域选择了有代表性的公开数据集,选择了若干个典型的推荐方法,与所构建的推荐模型进行了对比实验。通过对比实验发现所提出的推荐方法的推荐系统评估指标优于所对比的推荐方法,验证了该推荐方法的有效性。