推荐系统作为过滤海量信息的重要技术,已经成功应用于各种实际场景中。目前的推荐系统中最广泛采用的算法有协同过滤算法以及近年来迅猛发展的深度神经网络,但是前者需要面临冷启动和数据稀疏的问题,而后者虽然能提高推荐性能,却具有很弱的可解释性。因此,人们开始关注含有丰富语义信息的知识图谱,将其引入推荐系统不仅可以提升推荐性能,还可以增强系统的可解释性。本文提出了结合知识图谱和用户偏好的深度矩阵分解模型KPDMF。基于用户偏好项目可能是因为偏好项目的某些属性这一假设,本文使用神经关联模型和注意力机制来推导用户偏好,然后将用户偏好引入深度矩阵分解模型中,以学习出更有效的用户隐向量表示。另一方面,由于推荐系统中的项目与知识图谱中的实体之间存在一定的对应关系,所以本文采用多任务的学习框架将知识图谱与结合了用户偏好的深度推荐模型结合,通过交叉压缩单元来交叉转移项目和实体的信息,以实现两者的信息互补。此外,考虑知识图谱中的关系与项目属性之间存在关联,将关系与用户偏好进行了交叉学习,以更好地解释用户偏好。此外,我们还进一步在电影、图书以及音乐这三个数据集上将上述KPDMF模型与近年来同领域提出的表现较好的模型在多个评价指标上进行了对比实验,实验结果表明:不管是在推荐表现上,还是在知识图谱表现上,KPDMF模型的表现都明显优于其他对照模型,并且在数据稀疏时,KPDMF模型的表现也非常突出。