基于强化知识图谱的推荐系统利用知识图谱中丰富的知识信息和强化学习强大的探索能力,有效缓解了数据稀疏问题。然而,当前的推荐算法普遍更关注推荐的精确性,较少关注推荐的多样性,导致最终的推荐结果过于单一和同质化。因此,在确保推荐结果准确性的前提下,保持推荐多样性成为一项挑战。提升推荐多样性关键问题是基于用户的个性化需求对多样性程度进行把控,以及对推荐项目的多样性进行量化。基于单层知识图谱的推荐推理,难以对用户的行为进行全局化建模,如何推断用户的真正偏好并进一步提升推荐的精确性仍需要进一步研究。基于上述问题,本文的主要内容如下:（1）提出了基于强化学习与知识图谱的个性化多样性推荐算法DRA-UIN,通过预测用户的多样性需求评分,对推荐多样性程度进行把控;设计了一个指标,对推荐项目的多样性进行量化。首先以用户为起点,利用Agent以监督寻路的方式在知识图谱中游走,评估用户的推荐多样性需求并评分;然后采用Actor-Critic方法,依据用户多样性需求评分,寻找个性化的推荐项目,以策略函数Actor引导Agent在知识图谱中进行路径推理;最后,提出了一个新的多样性指标,以此对推荐项目的多样性进行量化和奖励,帮助训练策略网络更加准确地推荐项目。多个大规模的真实数据集上的实验评估表明,DRA-UIN有效提高了推荐结果的多样性和准确性。（2）提出了强化知识引导的保持多样性多层次推方法MRPD,通过在知识图谱的实例视图和本体视图探自上而下地进行多层次推荐推理挖掘用户的真正兴趣,解决了单层知识图谱在推荐推理中无法全局建模用户行为的问题,进一步提升推荐的准确性。首先,在多层次的知识图谱中游走获得更深层的用户多样性需求;然后,利用高级知识库中的知识引导底层推理;最后通过判断推理路径的多样性和推荐项目父类本体的离散程度,量化推荐项目的多样性的同时设计了一个奖励函数帮助推升推荐的多样性。实验表明该方法在推荐准确性方面优于多种基线方法。