在当今互联网信息爆炸的时代,如何为用户提供个性化的推荐,实现信息的高效传递,成为了目前推荐系统研究最为关注的问题。在推荐系统中合理地融入社交网络,评论数据、热点数据等辅助信息可以有效提升模型的性能。近年来,结合知识图谱进行推荐的研究引起了工业界和学术界的广泛关注。通过探索推荐场景知识图谱中实体之间的潜在联系,能够为物品推荐提供丰富的语义信息。然而,现有的大部分研究无法有效地建立起推荐模型与知识图谱之间的信息交互,对辅助信息的提取效果有限,还易受到不相关信息的干扰。因此,本文对推荐系统与知识图谱的结合方式进行探索。本文研究了不同知识密度场景下知识图谱与推荐系统的结合策略。首先,本文提出了一种知识密集场景下基于图卷积网络的推荐方案。为有效的将知识图谱信息融入推荐模型,我们设计了一种结合知识图谱的邻域聚集协同过滤算法。该模型利用知识图谱扩展并提取用户的潜在兴趣,然后迭代地将带有注意偏差的邻域特征嵌入用户特征中。其次,本文提出一种多任务学习方案来完成知识稀疏型场景的推荐任务。在上述方案的基础上,本文进一步探索基于稀疏型知识图谱的有效推荐方案,并提出一种交替训练推荐任务与知识图谱嵌入任务的算法,它包含推荐模块与知识嵌入模块,利用知识图谱三元组信息提取用户与物品潜在特征,并在交替训练过程中将知识特征传递到推荐模块。最后,本文在五个公共数据集上进行了大量实验,验证了上述推荐方案在对应场景中的有效性。本文提出的模型在点击率预测和Top-K推荐方面均领先于最新的模型,并能有效的缓解冷启动问题。