随着信息技术的日益发展,网络上的信息数据在迅猛增长的同时,也产生大量垃圾信息,导致人们无法及时有效的发现他们感兴趣的信息。推荐系统基于用户交互记录过滤无关信息,并向用户推送他感兴趣的信息,能够有效解决信息过载问题。但是传统推荐方法存在数据稀疏问题,而知识图谱能够结构化的组织和管理互联网中海量的实体信息和实体间的关系信息。因而,基于知识图谱的推荐方法成为研究热点。然而,现有使用知识图谱进行推荐的研究多基于已存在的知识图谱,将知识图谱视作完备的,忽视了知识图谱的不完善性。一方面,随着人工智能研究热潮兴起,也有学者把图卷积网络应用到基于知识图谱的推荐研究之中,但目前基于图卷积网络的推荐模型在聚集邻域信息时,固定邻居数量并随机选择邻居实体聚集信息,容易忽略重要邻居实体信息,导致高阶特征提取不充分不全面,并且只能获取项目的高阶特征,不能获取用户的高阶特征。另一方面,用户的兴趣偏好不仅能够连接用户和知识图谱,还能完善知识图谱,有偏差地卷积实体邻域,但是基于深度学习的序列推荐往往没有考虑时间间隔大小对用户兴趣的影响。针对上述问题,本文设计并实现融合用户兴趣与图卷积网络的推荐方法,引入新的用户兴趣作为知识因素完善知识图谱,充分获取用户和项目高阶特征,提升个性化推荐的准确性。本文主要工作包含以下三个部分:第一,设计了一种融合长短期记忆网络和自注意力模型的用户兴趣建模与挖掘方法（LSTM and Self Attention Model,LSTM-SAM）。首先将用户兴趣细分为长期兴趣和短期兴趣,其次考虑到用户行为间的时间间隔对用户兴趣的影响,利用时间门和余弦函数改进LSTM模型,从用户历史行为序列中获取用户长期兴趣,然后通过在自注意力模型中引入用户行为间的时间位置编码信息,对用户当前会话行为序列建模获取用户短期兴趣。第二,提出了融合用户兴趣与图卷积网络的推荐方法（Combining User Interests and Graph Convolutional Networks for Recommendation,UIGCN）。首先基于用户兴趣定义了用户兴趣实体,并定义相应的用户长期兴趣和短期兴趣关系以完善知识图谱,然后基于用户兴趣使用图卷积网络从完善的知识图谱中有偏差地聚合实体邻域获取项目的高阶特征向量,聚合用户兴趣实体邻域获取用户高阶特征向量,并进行个性化推荐。第三,基于Movie Lens 20M、Book-Crossing和Last.FM三个数据集设计实验,相比于传统的LSTM和自注意力模型,LSTM-SAM模型能够更为准确获取用户兴趣,相较于传统基线,本文研究实现的UIGCN方法在AUC、F1和Recall@K评价指标上均有提升,证明了本文所提方法的有效性与准确性。