现有的知识概念推荐系统并未考虑用户的短期兴趣。针对该问题，提出一种基于兴趣增强的知识概念推荐系统（KCRec-IE）。首先，根据用户的知识概念点击序列捕获用户的短期兴趣，并利用侧信息构造一个异构图。其次，利用元路径指导的图卷积在异构图上进行知识概念实体和用户实体的表示学习。与知识概念实体的表示学习不同，学习用户实体的表示时，根据用户的短期兴趣可区分不同邻居用户对目标用户的贡献。最后，根据知识概念实体、用户实体和用户的短期兴趣进行评分预测。在公开数据集Xuetang X上的实验结果表明，相较于KCRec-SEIGNN，KCRec-IE在HR@5指标上提升了3.60个百分点；相较于KCRec-IEn，KCRec-IE在HR@10指标上提升了1.02个百分点；相较于KCRec-SEIGNN，KCRec-IE在NDGC@5和NDGC@10指标上分别提升了1.60和1.18个百分点，验证了所提方法的有效性。
