随着数据技术的发展,个性化推荐算法逐渐成为研究重点。在个性化推荐算法中,协同过滤方法使用最多。近年来,在机器学习的发展中,传统的协同过滤方法逐步与新技术结合,最近的一些工作开始应用深度学习方法,但主要是针对辅助信息进行建模。当要建模关键信息时,依旧使用矩阵分解的方法,用户和项目的隐含特征仍然用内积表示。因此,在嵌入过程中,对于互动中隐含的协同信号无法获得有效编码。在协同过滤中,用户和项目的嵌入表示是关键问题,然而,从过去到现在的方法,都是直接运用现存的特征进行嵌入表示。在嵌入编码过程中,隐藏在用户和项目之间的编码信息无法获得,因此无法充分利用互动信息,最终影响协同过滤推荐质量。获得更准确全面的推荐是推荐算法的目的,因此利用用户项目交互信息以及辅助信息进行建模是十分重要的。过去的研究方法中,都是将其看作监督性学习问题。该问题将用户、项目和交互关系作为实体进行分离,然后编码已经存在的边信息。然而,用户、项目与实体关系之间存在着其他高阶联系,忽略这些联系使得从交互行为中得到的协同信号是有限的。也就是说,这些方法忽略了用户和项目辅助信息的高阶连接关系,因此会忽略重要的相关信息。利用知识图,将用户、项目及其属性关系分解为独立的实体,将具有一个或多个属性关系的项目联系在一起,获取这些高阶关系,进而提高推荐的准确性。针对以上显式化表达不足问题,提出了一种基于注意力机制的协同过滤（ANCF）算法,采用注意力机制来划分与用户相关项目的不同权重,将每个节点参数化为向量。通过设计注意力传播层,学习嵌入表示。利用注意力机制分配不同的权重,将嵌入向量在注意力传播层上进行传播,学习并更新用户和项目的嵌入向量,从而将用户和项目之间的编码信息显式地表示出来,实现嵌入信息显式化。在此基础上,引入知识图谱,提出了一种融合知识图谱的协同过滤算法（KGACF）,该方法将知识图谱中的高阶连接关系显式地表示出来。通过利用知识图谱获得用户项目辅助信息的高阶关系,将得到的关系权重进行递归传播。对于高阶关系中包含的信息可以通过叠加多层注意力传播层来获得,以此获得更多辅助信息的高阶关系。本文提出的ANCF和KGACF在概念上优于现有的基于知识图谱或注意力机制的推荐方法。在两个数据集上进行了实验,结果表明KGACF方法性能优比ANCF方法更好,KGACF方法明显好于最新方法。进一步的研究证明了引入注意力机制对于增强嵌入表示的方便性,引入知识图的嵌入传播对于高阶关系建模的有效性。