大数据时代的到来,在便捷人类生活的同时,也使人们难以在繁杂的数据中找到感兴趣的信息,推荐系统的出现使这一问题得到有效缓解。近年来,将神经网络应用于图形数据的图神经网络发展迅速,其在解决各种图形面临的挑战方面显示出巨大潜力,因此大量的研究致力于将图神经网络应用于推荐系统,以解决推荐系统面临的挑战。然而,图神经网络在语义推理方面没有表现出明显优势,知识图谱包含项目之间丰富的语义关系,可以对语义进行有效推理。研究表明,将知识图谱与图神经网络融合应用于推荐系统,在改善推荐性能的同时,也能提高推荐结果的可解释性,但是也存在以下问题:首先,在获取用户和项目潜在特征表示时,未充分考虑用户和项目之间的交互信息,造成信息挖掘不充分,有效信息丢失的问题;其次,由于手动定义元路径需要相关领域知识所以具有一定的局限性;最后,未充分考虑用户和项目之间隐藏的意向表示对推荐结果的影响。针对上述问题,结合知识图谱嵌入的相关理论从不同角度对网络建模,提出知识图谱嵌入的图神经网络推荐方法,本文主要研究内容如下:（1）对于忽略用户和项目之间交互信息造成的信息丢失问题,提出基于元路径的层次粒化推荐方法,通过将异质信息网络粒化为多个粗粒度网络的元路径,然后将不同潜在特征对推荐结果影响的权重进行区分,最终融合为细粒度的网络推荐。实验结果表明该方法可以有效提高推荐性能。（2）对于手动定义元路径需要相关领域知识造成的局限性问题,提出基于知识图谱的层次粒化推荐方法,知识图谱包含项目之间丰富的语义关系,可以对语义进行有效推理,进一步的,将知识图谱粒化为局部上下文和非局部上下文,分别学习两部分的语义信息并进行融合,最终生成对用户的推荐。在真实的数据集上进行实验,证明该方法的有效性。（3）对于未充分考虑用户和项目之间隐藏的意向表示问题,提出一种新的基于知识图谱的图神经网络意向推荐,使用注意力机制区分交互信息和实体对用户意向的不同权重,进而学习潜在的用户意向,实现对用户—项目之间交互的更好建模。在真实的数据集上进行实验,证明该方法的有效性。