随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载的时代。在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:如何从大量信息中找到自己感兴趣的信息或如何让自己生产的信息脱颖而出,受到广大用户的关注,均非常困难。推荐系统应运而生,而传统的推荐算法通常存在数据稀疏以及冷启动问题。知识图谱中存在大量的实体信息与这些实体间隐含的关联关系,并具有很好的扩展性;图神经网络作为一种提取特征信息的方法能够有效的提取知识图谱中的隐含实体信息,二者的结合产生的KGCN（Knowledge Graph Convolutional Network）推荐算法为这些问题提供了新的解决思路,但现有知识图谱的固定随机取样数方法与节点聚合的简单均值方法在算法的稳定性与节点差异性体现方面仍有待进一步提升。为此,本文开展了以下研究:（1）针对KGCN中邻域节点取样和节点聚合设计较为简单的问题提出一种基于相关性的节点取样方法以及优化的节点聚合方法。其中,节点的取样是通过引入CN系数来计算不同的邻域节点的紧密度,这种方法能够有选择性的挑出与该节点关系紧密度大的邻域。而节点聚合的方法是在图卷积的过程中加入池化层,用于压缩数据和参数的量,减小模型的过拟合,同时可以将邻域节点对中心节点的影响进行有差别的聚合。在此基础上,改进了原KGCN模型。（2）提出了用户-项目融合的推荐模型,通过寻找用户与用户之间的共同交互信息进行推荐,将其与改进的KGCN模型融合,通过协同过滤的思想建立用户端的关系交互图,增加用户端信息提高了推荐的合理性,得到基于用户-项目的融合推荐模型。（3）论文提出的改进的KGCN算法在4个常用的公开数据集上进行实验验证,在CTR任务中采用2个数据集验证,改进的模型的准确率（AUC）分别提升了4.9%,2.7%。在Top-K任务中采用3个数据集验证,在K=25时召回率（Recall）达到最优分别提升了1.2%,2.5%,6.3%。增加用户端后的推荐模型与仅采用项目端的推荐模型相比,在CTR任务中采用3个数据集验证,准确率（AUC）分别提升了0.4%,5.2%,1.5%。在Top-K任务中采用2个数据集在K=25时召回率（Recall）达到最优分别提升6%,7%。