目前推荐领域的模型主要有协同过滤算法和神经网络模型,但是前者存在冷启动问题和数据稀疏的局限,后者具备较差的可解释性,因此研究人员提出利用知识图谱储存的信息来提升推荐表现,丰富的知识图谱数据能够克服冷启动问题和数据稀疏的问题,又具备更强的解释力。本文创新地提出了一种多任务特征学习下基于用户偏好的知识图谱联合推荐模型(KPR),将偏好联合学习单元与特征交叉单元作为多任务学习的两个连接部分,令推荐模块和知识图谱模块并行交替学习。模型主要包括推荐和知识图谱自学习两个大模块,特征交叉单元能够自动学习推荐和知识图谱任务中物品与实体的高阶特征,以获得两个关联特征中的潜在信息。除此之外,用户偏好的采集,以及和知识图谱关系的联合学习单元是本文最重要的模块。本文在用户偏好的采样过程中设计了两种策略,一种是采用Gumbel Softmax进行单一偏好采样的硬策略,一种是基于加权组合偏好的软策略;此外,在推荐模块高层特征组合中也采用了两种方案,一种是基于元素积的特征组合方式,另一种是二阶线性特征组合。本文实验在电影、图书和音乐三个数据集下进行,通过KPR自身两种策略的四个方法进行实验对比可得,大部分场景下软策略优于硬策略,二阶线性特征交互表现优于元素积。此外,与当前最新的同领域模型比较可得在KPR在稀疏数据集中比其他模型有更好的表现,且在知识图谱模块的学习效果显著超越其他模型。