知识图谱（KG）作为一种辅助信息能够有效提高推荐模型的推荐质量，但现有的基于图神经网络（GNN）的知识感知推荐模型存在节点信息利用不均衡问题。为此，提出一种基于知识感知和跨层次对比学习的推荐方法（KCCL）。所提方法在GNN的知识感知推荐模型基础上引入对比学习范式，以缓解稀疏的交互数据和嘈杂的KG在信息聚合时节点间依赖的关系偏离真实表示导致节点信息利用不均衡的问题。首先，将用户?物品交互图和物品知识图整合为一个异质图，并通过基于图注意力机制的GNN实现用户和物品的节点表示；其次，在信息传播聚合层中加入一致的噪声进行数据增强，得到不同阶层的节点表示，并将获得的最外层节点表示与最内层节点表示进行跨层次对比学习；最后，联合优化推荐监督任务和对比学习辅助任务，得到最终各节点表示。在DBbook2014和MovieLens-1m数据集上的实验结果显示，相较于次优对比方法，KCCL的Recall@10分别提升了3.66%和0.66%，NDCG@10分别提升了3.57%和3.29%，验证了KCCL的有效性。
