近几年，基于图结构的卷积神经网络技术的发展使得知识图谱中的节点信息能够通过训练得到更富有语义的表示，与此同时，一些工作表明了知识图谱能够通过增强推荐数据集中的项目实体而对推荐算法起到一定的优化作用。为此，以基于知识图谱图卷积神经网络的推荐算法为主要研究目标，开展图谱数据完善、卷积计算、基于图谱的推荐方法的研究。
　　研究利用知识图谱广泛的结构信息对用户、项目交互数据进行补充，在整合了知识图谱中项目属性后的用户、项目交互图谱上进行图卷积神经网络的训练，得到项目及用户的表示，并以此进行推荐。在具体的图卷积神经网络节点更新过程中，即目标节点收集邻接节点特征进行更新的步骤，提出了使用两种非对称水平与垂直卷积核的训练方法，得到了相关方向比较优秀的推荐结果。所提出的方法包括知识图谱表示学习、图卷积神经网络、注意力层和推荐算法几方面的工作。将知识图谱与用户项目交互数据整合，利用现有的表示学习方法训练获得整合后的图中节点和边的向量表示。在图卷积神经网络层中，训练某一节点表示时，根据注意力机制方法计算此节点与其一阶邻居节点的注意力权重，再按照权重采样一定数量的邻接节点，并利用水平和垂直卷积从这些邻接节点提取特征，以此更新目标节点。在最后的推荐算法中，利用已经训练过的用户与项目信息，计算用户在下一时刻对不同项目感兴趣的概率。
　　提出的算法以知识图谱作为推荐的辅助信息，并对图卷积更新节点的过程进行创新。最终经过实验，在两种权威数据集上，基于水平与垂直卷积的图神经网络训练出的推荐结果得到了相关方向较好的表现。