由于社会的进步和信息科技的发展,人们加快了走向互联网时代的步伐,网络上出现层出不穷的信息供用户阅览,但用户难以在海量数据中找到自己真正想要的信息。推荐系统的出现缓解了这一问题,在解决信息过载问题的同时还能给使用者提供个性化服务。传统的推荐系统存在推荐结果解释性低、用户或物品冷启动等问题,知识图谱作为升级版知识库加入到推荐系统中,有助于增加用户和物品信息的丰富度,提高推荐结果的精准性。现存的一些推荐模型,输入向量较为单一稀疏,不能充分挖掘用户或物品的交互特征,对复杂的图结构处理不够全面,影响最终的推荐结果。针对上述问题,本文提出了基于注意力分解机和知识图谱的多任务推荐模型,主要工作如下:（1）提出了一种基于注意力分解机和知识图谱的多任务推荐模型（MRAKG）。该模型由三部分组成,分别是推荐模块、知识图谱嵌入模块和信息共享单元。在推荐模块增加多种用户特征,使得输入向量更加丰富,改善其他模型数据单一的问题,采用注意力分解机（AFM）提取多种用户特征,充分考虑用户间的交叉特征对推荐性能的影响,利用信息共享单元使得知识图谱嵌入模块中的实体特征与推荐模块的物品特征相互交替学习,补充各自信息,提高最终的推荐结果。（2）在MRAKG模型基础上进一步改进,在知识图谱嵌入模块中,利用图卷积神经网络（GCN）进一步挖掘知识图谱头实体特征和关系特征的关联关系,提取二者之间的深层次特征,使得预测的尾实体更加准确,依然采用交替学习的方法训练和优化模型,推荐模块和知识图谱嵌入模块互相结合,共同学习,进而提高整个模型的推荐性能。（3）在Movie Lens-1M数据集和Book-Crossing数据集上分别开展了实验,采用AUC和ACC两个指标来评估模型的CTR预测性能,采用Top-K中预测率Precision和召回率Recall两个指标来评估模型的推荐效果。将本文所提的两个模型做对比实验,然后与另外六个基准模型做对比实验,实验结果验证了本文所提模型的有效性。