近年来，将知识图谱作为辅助信息来增强推荐越来越受到研究者的关注。由于知识图谱学习任务的目标是还原知识图谱中三元组的关系，并非是以推荐任务为目标，导致了知识图谱学习任务很难高效地帮助推荐任务提升推荐性能。另外，用户兴趣易被短期的环境和心情所影响。针对以上两点，提出了一种融合了知识图谱信息和短期偏好的推荐模型（MKASR）。首先，通过RippleNet算法提取用户和知识图谱实体的关系对，然后将这些关系对按照知识图谱三元组的形式存储和参与训练；采用基于注意力机制的双向GRU网络从用户近期交互的物品序列中提取用户的短期偏好；其次，采用多任务学习的方法同时训练知识图谱学习模块和推荐模块，并得到用户和物品的特征表示；最后，通过这些特征表示和用户的短期偏好向用户综合推荐。在真实数据集MovieLens-1M和Book-Crossing上进行实验，采用AUC、ACC、Precision和Recall指标进行评估，实验结果表明，提出的模型优于其他的基准模型。