知识感知推荐（KGR）领域普遍存在监督信号稀疏问题。为了解决这个问题，对比学习方法被越来越广泛地应用于KGR。但是，过去基于对比学习的KGR模型仍存在一些问题：首先，使用图卷积对所有邻居节点直接聚合，无法排除知识图谱中不必要邻居节点信息的干扰；此外，只关注全局视图的信息，忽略了局部特征，这会导致过平滑问题。为了解决以上问题，提出一种基于跨视图对比学习的知识感知推荐系统（knowledge-aware recommender system with cross-views contrastive learning,KRSCCL）。KRSCCL使用关系图注意力网络构建包含用户、物品和实体节点的全局视图；使用轻量级图卷积网络构建包含用户和物品节点的局部视图，强调局部特征，有效地缓解过平滑问题；最后，在构建的两个视图的图内和图间节点对之间进行对比学习，以充分提取知识图谱信号，优化用户和物品表示。为了验证模型的有效性，在3个不同领域的公开数据集上进行了实验，实验结果表明：关系图注意力网络可以有效排除复杂网络聚合时的噪声问题；引入局部视图可以优化节点表示生成，缓解过平滑问题；KRSCCL模型在这3个数据集上都表现良好，在电影领域数据集Movielens–1M上，推荐的评估指标F1分数较最强基线提升2.0%；在音乐领域数据集Last.FM上，F1分数较最强基线提升0.3%；在书籍领域数据集Book–Crossing上，F1分数较最强基线提升5.1%。证明了本文模型的有效性。
