随着网络信息的指数级增长,人们不得不面对信息过载的问题。信息过载问题导致用户很难从大量的信息中选择出真正感兴趣的内容。为了提升用户体验,研究人员引入推荐系统来定位用户兴趣,从而为用户提供个性化的推荐内容。作为推荐系统的核心,推荐算法决定着推荐系统最终的推荐效果。一类广泛使用推荐方法是协同过滤方法,然而该类方法往往存在着数据稀疏和冷启动的问题。虽然基于模型的协同过滤方法可以在一定程度上解决数据稀疏的问题,但是该类方法通常没有充分地建模用户或物品之间的相似性。针对数据稀疏和冷启动问题的另一个有效的解决方案是结合辅助信息,知识图谱作为一个有效的辅助数据来源受到了学术界和工业界的广泛关注。为了充分利用知识图谱中实体和关系的语义和连接信息,图神经网络的思想被引入到知识图谱的学习中。然而,这类方法存在未能充分利用实体的邻域信息的问题,并且忽略了用户交互序列对反映用户偏好的重要性。因此,基于上述问题,本文进行了以下工作:（1）针对基于模型的协同过滤方法不能充分地捕获用户或物品之间相似性的问题,提出了图卷积协同过滤模型（Graph Convolution Collaborative Filtering,GCCF）。GCCF基于用户-物品交互图捕获用户交互行为相似性和物品交互行为相似性,进而构建用户图和物品图,然后利用一种简单且高效的图卷积网络架构分别在用户图和物品图上学习用户表示和物品表示。此外,GCCF还引入高速门控机制来聚合多层图卷积网络以挖掘更深层次的用户和物品相似性信息。基于上述设计,GCCF不仅能够在用户和物品的嵌入过程中捕获用户或物品间的相似性,而且能够在聚合相似性信息时降低噪声对用户表示和物品表示的影响。（2）针对基于图神经网络的知识感知推荐系统未能充分利用实体的邻域信息,以及忽略用户交互序列对反映用户偏好的重要性的问题,提出了知识感知分层注意力网络模型（Knowledge-aware Hierarchical Attention Network,KHAN）。KHAN配备有一个分层注意力网络来细致地区分实体的不同邻居节点的重要性,以实现对邻居信息的充分利用,并采用自注意力机制捕获用户交互物品间的全局依赖性,进而学习到具有更多信息量的用户表示。（3）对提出的GCCF模型和KHAN模型在四个真实数据集上进行了大量的实验,并分别在点击率预测、Top-K推荐两个任务场景下进行了评估。实验结果表明,本文提出的两个模型相比于基线方法效果均有明显的提升,证明了模型的有效性。