推荐系统中长期存在着冷启动和数据矩阵稀疏两大问题。已有研究证明,在推荐算法中引入知识图谱数据来作为用户或项目的辅助信息,可以有效缓解这两类问题。这一类算法被称为基于知识图谱的推荐算法（Knowledge Graph Based Recommendation system）。本文提出了一个基于知识图谱的多任务注意网络推荐框架MARK（Multi-task Attention network Recommendation based on Knowledge graph）。MARK模型由用户表示学习模块、项目表示学习模块和推荐模块三个部分组成,希望能够同时对用户表示和项目表示两个推荐预测中的核心向量进行学习。在用户表示学习模块中,模型采用实体传播算法提取了用户和知识图谱中实体的多层联系,并通过注意力机制从获得的多层知识图谱实体集中进一步筛选出价值较高的项目、过滤掉其它不重要的项目,有效提取了用户偏好表示。同时,考虑到推荐系统项目表示与知识图谱实体表示在低层特征上的相似性,在模型中引入了交叉压缩单元,通过高阶特征交互将两个模块联合起来,并以多任务学习的模式对推荐预测目标和知识图谱三元组的关系进行同步训练。最后,综合学习到的用户表示和项目表示后进行项目推荐。总的来说,MARK模型基于知识图谱中的实体传播获得用户的多层次拓展兴趣,并利用注意力机制来过滤实体传播中出现的噪声,从而构造合适的用户表示。为了最大限度地利用关系数据,MARK模型联合了知识图谱表示学习任务,通过一个多任务学习框架以端到端方式对推荐任务和推荐任务共同进行优化,是一个基于用户与项目交互和基于知识图谱的多任务学习通用框架。该模型基于知识图谱嵌入的同时无需再人为设计,就可以自动挖掘从用户有过历史交互行为的项目到候选候选项目的路径。模型不仅能够解决推荐系统中长期存在的冷启动和数据矩阵稀疏两大问题,也能更准确地推断用户的兴趣偏好,具有积极的实践意义。本文在真实世界的三个公开推荐数据集Movie Lens-20M、Last FM和Book-Crossing上对MARK算法进行了研究和验证。结果证明,MARK模型在点击率预测和top-K推荐这两个评估场景上都能获得相对于基准模型较好的效果。MARK模型的推荐提升主要是由模型框架中的用户表示学习模块和项目表示学习模块带来的,并且,无论是从用户角度,还是从项目角度,MARK模型都很好地学习其向量表示,甚至在不同类型的数据集上都能适应良好,获得不错的推荐结果。该模型理论上可行且具有很强的实用性。