传统的推荐系统中存在的用户-物品交互的稀疏性和冷启动问题,会导致推荐的效果不理想,因此众多学者尝试在推荐系统中添加辅助信息来改善推荐的性能。知识图谱作为一类辅助信息被应用于推荐系统中可以有效地缓解以上问题,并且能够提高推荐的准确性、多样性和可解释性。因此,近年来基于知识图谱的推荐算法受到了众多学者的广泛关注。推荐系统中有两个重要的主体分别为用户和物品。知识图谱中包含着丰富的知识信息,可用于表征用户和物品的特征。用户和物品的特征嵌入越丰富,推荐效果就会越好。然而,目前多数基于知识图谱的推荐方法仅考虑将知识图谱用于物品特征嵌入或用户特征嵌入二者之一。为此,本文在已有方法的基础上,提出了利用知识图谱中丰富的结构信息和语义信息同时扩展用户特征和物品特征的方法。本文的主要研究内容如下:（1）提出了基于结构的知识图谱双向特征的推荐方法。该方法的思想是:在利用向外传播法提取用户特征的基础上,添加了利用向内聚合法提取物品特征的过程。该模型能够利用知识图谱的结构信息同时扩展用户特征和物品特征。（2）提出了基于结构和特征混合的知识图谱双向特征的推荐方法。该方法的思想是:在利用关联模块和知识图谱嵌入提取物品特征的基础上,添加了利用基于结构的方法中的向外传播法来提取用户特征的过程,该模型通过同时利用知识图谱的特征信息和结构信息分别扩展了物品特征和用户特征。提出的方法通过充分地利用知识图谱的结构信息以及特征信息,不仅缓解了稀疏性和冷启动问题,而且实现了推荐系统双向特征扩展的目的,进而准确地预测用户点击物品的概率。将两种方法应用于电影、图书、音乐三个场景的数据集上,计算预测的AUC（Area Under ROC Curve）和准确率（Accuracy,ACC）,并将点击率预测结果与几个先进的基准进行对比,结果表明本文提出的模型的性能优于先进的基准。