针对传统协同过滤（CF）中的数据稀疏和冷启动问题，以及元路径、随机游走算法没有充分利用节点信息的问题，提出融合知识图谱和图注意力网络的引文推荐算法（C-KGAT）。首先，使用TransR算法将知识图谱信息映射为低维稠密向量，以获取节点的嵌入特征表示；其次，利用图注意力网络通过多通道融合机制聚合邻居节点信息以丰富目标节点的语义，并捕获节点间高阶连通性；接着，在不影响网络的深度或宽度的情况下，引入动态卷积层动态地聚合邻居节点信息以提升模型的表达能力；最后，通过预测层计算用户和引文的交互概率。在公开数据集AAN（ACL Anthology Network）和计算机科学文献库（DBLP）上的实验结果表明，所提算法的效果优于所有对比模型，所提算法的MRR（Mean Reciprocal Rank）相较于次优模型NNSelect分别提升了6.0和3.4个百分点，所提算法的精确率和召回率指标也有不同程度的提升，验证了算法的有效性。

针对协同过滤算法推荐学习资源的单一性弱点导致的学习者的个性化资源获取需求难以满足的问题，提出融合知识图谱邻居双端的在线学习资源推荐算法。首先，在用户端将学习者的既有知识节点与新知识节点之间的实体及其邻居信息聚合得到学习者的嵌入表示，从而捕捉学习者的个性化需求；其次，在项目端利用学习资源的邻域信息扩充学习资源的语义与嵌入表示；最后，将用户的嵌入表示和项目的嵌入表示送入全连接层以得到二者的交互概率。为了验证所提算法的有效性，使用公开数据集MOOPer进行对比实验。实验结果表明，在该数据集上，所提算法相较于最优基线模型在曲线下面积（AUC）和准确率上分别提升了1.12个百分点和1.31个百分点，且在Precision@K和Recall@K上均有一定的提高。