El grafo de conocimiento (KG) ayuda a mejorar la precisión, diversidad e interpretabilidad de los sistemas de recomendación. El KG se ha aplicado en sistemas de recomendación, aprovechando las redes neuronales de grafos (GNN), pero la mayoría de los modelos de recomendación existentes basados en GNN ignoran la influencia de los tipos de nodos y la pérdida de información durante la agregación. En este artículo, proponemos un nuevo modelo, llamado Representación de Grafo de Conocimiento Mejorada con Agregación Multi-Granular para Recomendación (MAKR), que alivia la escasez de la red y supera la limitación de pérdida de información del modelo de recomendación GNN tradicional. Específicamente, proponemos un nuevo grafo, llamado el Grafo de Conocimiento Colaborativo Mejorado (ICKG), que integra la interacción usuario-artículo y un grafo de conocimiento en una enorme red heterogénea, divide los nodos en la red heterogénea en tres categorías: usuarios, artículos y entidades, y conecta los bordes de acuerdo con la similitud entre los usuarios y artículos para mejorar la conectividad de alto orden del grafo. Además, utilizamos mecanismos de atención, la máquina de factorización (FM) y algoritmos de transformador (Trm) para agregar mensajes de multi-granularidad y diferentes tipos para mejorar la capacidad de representación del modelo. Los resultados empíricos de tres benchmarks públicos mostraron que MAKR superó a métodos de vanguardia como Neural FM, RippleNet y KGAT.