随着商品经济的快速发展,各种商品层出不穷,这使得用户在面对繁多商品时常常无从下手,因此,商品推荐系统应运而生。商品推荐系统在搭建商家和用户之间的桥梁方面起到非常重要的作用,然而当前大多数的商品推荐系统在面临用户数据缺失问题、非结构化数据问题时推荐效果会大打折扣,而知识图谱恰好可以有效地解决上述问题;此外,作为商品推荐系统主体的用户,其属性信息通常都被推荐系统忽略,导致推荐系统最终的推荐结果并不理想。那么,如何有效地利用用户和商品的信息把恰当的商品在恰当的时间推荐给恰当的用户一直是很多商家追求的目标。本文在传统的商品推荐系统和知识图谱嵌入等相关理论基础上,利用foodmart数据集中的数据,通过知识图谱将用户信息和商品信息等更多信息有效融入到推荐系统中,结合图卷积神经网络以期提高商品推荐的准确度。具体来说,首先,构建用户和商品双知识图谱,将注册用户信息和商品信息转换为三元组的形式,并通过三元组分别构建用户知识图谱和商品知识图谱,从而形成双知识图谱进行嵌入学习。其次,利用用户购买信息构建用户-商品交互矩阵,通过分析用户购买数据将用户群体划分为高频购买用户和低频购买用户,并将高频购买用户常去的商店中未购买过的商品作为负样本,这样用户-商品交互矩阵中就包含了所有用户对所有商品的偏好信息,是最终推荐系统计算推荐概率的重要依据。再次,将嵌入好的用户和商品双知识图谱与图卷积神经网络相结合,形成基于双知识图谱的单层图卷积神经网络。具体方法是将用户、商品邻域的向量表示进行加权聚合得到各自的邻域表示向量,并与自身嵌入向量进行聚合,得到最终的表示向量,然后通过用户-商品交互矩阵中的用户偏好信息对用户和商品的表示向量进行反向传播来训练模型。最后,将单层网络进行高阶扩展形成基于双知识图谱的多层图卷积神经网络。具体来说,实体的邻域可以扩展到多个阶层,将每个实体的初始表示（0阶表示向量）传播到其邻域会得到1阶实体表示向量,然后可以重复此过程,即进一步传播和聚合1阶表示向量来获得2阶表示向量以挖掘高阶语义信息,最大程度的挖掘用户可能感兴趣的商品。为了验证基于双知识图谱和图卷积神经网络模型的有效性,本文利用foodmart商品数据集中的数据对构建的模型进行了实证分析,结果表明通过融入用户知识图谱构建的双知识图谱和图卷积神经网络模型相对于没有用户知识图谱的模型在推荐效果上有显著提升,其中AUC值提升了6.2%,F1值提升了7.9%,证明了本文模型的有效性。