Los gráficos de conocimiento equipados con redes de grafos (GNNs) han dado un paso exitoso en la resolución de problemas de inicio en frío en sistemas de recomendación. Sin embargo, el rendimiento depende en gran medida de gráficos de conocimiento de alta calidad y etiquetas supervisadas. Este documento sostiene que los métodos de recomendación basados en gráficos de conocimiento existentes aún sufren de una explotación insuficiente de la información dispersa y de la falta de coincidencia entre los intereses personalizados y el conocimiento general. Este documento propone un modelo llamado Aprendizaje Contrastivo de Conocimiento Adaptativo con Atención Dinámica (AKCL-DA) para abordar los desafíos mencionados anteriormente. Específicamente, en lugar de construir vistas contrastivas descartando información al azar, en este estudio se diseñó un método de aumento de datos adaptativo para aprovechar eficazmente la información dispersa. Además, se propuso una red de atención dinámica personalizada para capturar comportamientos personalizados conscientes del conocimiento ajustando dinámicamente la atención del usuario, aliviando así la falta de coincidencia entre el comportamiento personalizado y el conocimiento general. Experimentos extensos en los conjuntos de datos de Yelp2018, LastFM y MovieLens muestran que AKCL-DA logra un rendimiento sólido, mejorando el NDCG en un 4,82%, 13,66% y 4,41% en comparación con los modelos de vanguardia, respectivamente.