Los investigadores han introducido información adicional como redes sociales o grafos de conocimiento para aliviar los problemas de escasez de datos y arranques en frío en los sistemas de recomendación. Sin embargo, la mayoría de los métodos ignoran la exploración de los aspectos de diferenciación de características en el proceso de propagación del conocimiento. Para resolver el problema anterior, proponemos un nuevo método de recomendación de atención basado en una percepción mejorada de la propagación del conocimiento. Específicamente, para capturar las preferencias de los usuarios de manera detallada en un grafo de conocimiento, se adopta un mecanismo de atención semántica asimétrica. Identifica la influencia de los vecinos de propagación en las preferencias de los usuarios a través de una representación más precisa de la semántica de preferencia para las entidades de cabeza y cola. Además, considerando la memoria y la generalización de diferentes características de profundidad de propagación y ajustando de manera adaptativa los pesos de propagación, se diseña un nuevo marco de exploración de características de propagación. El rendimiento del modelo propuesto se valida mediante dos conjuntos de datos del mundo real. El modelo base aumenta en promedio un 9.65% y un 9.15% para los indicadores de Área Bajo la Curva (AUC) y Exactitud (ACC), lo que demuestra la efectividad del modelo.