随着信息时代的到来,信息总量已经大大超过了个人所能接受、处理或有效利用的范围,针对层出不穷、纷繁复杂的信息,用户怎么辨别信息的价值、如何才能得到自己真正需要的信息是一个值得思考并且极为迫切的问题。推荐系统的出现有效地解决了信息过载问题,利用推荐系统能够以一种智能化、自动化的方式为用户过滤无价值的信息同时满足用户的需求,从而降低了用户获取信息的时间和精力。以协同过滤及基于内容为代表的传统推荐方法尽管在一定程度上取得了不错的表现,然而在面对新用户或项目时由于缺少用户或项目的特征信息将导致推荐系统性能的显著下降。近年来,越来越多的研究工作尝试将知识图谱作为辅助信息引入推荐系统中,但是现有的知识图谱感知推荐方法仍然存在未充分利用知识图谱特征和结构信息以及不能较好地将知识图谱表示学习与推荐任务进行结合的问题。为了克服上述不足,本文基于知识图谱和深度学习技术提出了UPPM及UIKJR模型。本文主要内容如下:（1）本文提出了一种端到端的基于知识图谱的用户个性化偏好建模方法UPPM。UPPM利用实体间的链接在知识图谱上传播用户的兴趣,自动发掘用户深层次的偏好,注意力网络的使用能够自适应地区分在不同传播阶段用户偏好特征对表征该用户最终偏好向量的重要性程度。UPPM较好地将基于特征的方法,基于结构的方法以及注意力机制结合在一起并应用于个性化推荐中。在真实数据集上的点击率预测及Top-K推荐任务的实验结果表明,UPPM模型的性能要显著优于其它推荐系统中常用的方法。（2）为了克服包括UPPM模型在内的推荐方法只对用户端或项目端的知识图谱进行建模的问题,本文提出了一种面向个性化推荐的端到端的用户-项目知识联合表示模型UIKJR。UIKJR由项目特征建模和用户个性化偏好建模两部分组成,项目特征建模任务通过聚合实体的邻居信息来学习项目的特征表示,用户个性化偏好建模任务将用户的兴趣扩展到邻居实体上以挖掘用户个性化的潜在偏好。UIKJR对用户偏好及项目特征进行联合建模,能够将用户偏好及项目特映射到同一向量空间中,有助于更加全面地探究用户隐含的喜好,让推荐结果更加丰富及新颖。在真实数据集上进行的实验显示,UIKJR模型的表现相较于UPPM等常用对比方法有明显的改进。