基于软件开发开源、共享的精神,以GitHub为代表的开源软件代码托管和软件开发知识问答平台迅速发展并受到了众多开发者的青睐。这些平台积累了大量的高质量软件开发领域相关代码和知识,但是这些知识过于分散,难以固化,知识共享、传播的效率较低,影响开发者对知识的利用。为了解决开源知识的信息过载问题,本文对基于知识图谱的GitHub项目库推荐进行了研究,根据用户偏好个性化推荐项目库,同时利用知识图谱中的层次性知识提高推荐效果,实现开源软件知识的主动传播。然而,在基于知识图谱的GitHub项目库推荐研究方面仍存在以下问题:（1）GitHub知识图谱中存在大量的引导节点,该节点与其他实体之间存在丰富的关联关系,然而现有方法没有考虑到引导节点对推荐效果产生的积极作用,导致在捕获用户偏好的过程中容易受其他实体影响,产生低质量和有偏差的用户个性化表示。（2）传统的基于知识图谱的单一结构网络学习模型没有充分利用用户-项目交互的时间依赖性和易变性,无法对隐藏在实体中的时间和结构信息进行有效融合,同时没有考虑到用户-项目二分网络作为时变系统,其时间与结构信息之间的交互机制,降低了推荐准确性。因此,为解决上述问题,针对基于知识图谱的GitHub项目库推荐,本文进行以下研究:1.提出了基于引导节点图卷积神经网络（Guided Node Graph Convolutional Neural Network,GNGCN）模型。该部分研究探索了引导节点在知识图谱推荐任务中的积极作用,该模型通过挖掘相关节点的影响力有效地捕捉到实体之间的联系。在知识图谱中提取每个实体的邻域样本作为它们的引导节点,然后在计算某个实体的表征时结合引导节点的信息和偏向,并扩展到多跳,实现模型的卷积和聚合。2.在基于引导节点图卷积神经网络的基础上提出了基于动态属性增强图卷积神经网络（Dynamic Attribute Enhancement of Graph Convolutional Neural Network,DAEGCN）模型。本文在该部分提出的混合推荐模型DAEGCN将时间模式的识别描述为一个项目流行度增长的预测问题,利用时间序列分析来解决,并将其与基于知识图谱的图卷积神经网络结合,充分对结构信息和时间信息进行了挖掘与融合。3.本文根据构建的推荐模型设计并实现了基于知识图谱的GitHub推荐平台。平台可以自动爬取GitHub实体知识,为模型实验提供数据集。平台根据用户交互行为建模计算结果进行推荐,返回推荐结果。平台为用户提供了知识检索功能,根据用户输入返回知识。本文根据GitHub-SKG数据集和GitHub-SKGT数据集分别对GNGCN模型和DAEGCN模型进行实验评估。本文提出的模型相比于基线模型在推荐性能和模型规模上均有不同程度的提升和改进。