Incorporar gráficos de conocimiento como información auxiliar para mejorar los sistemas de recomendación puede mejorar el aprendizaje de representaciones de usuarios y artículos. Los métodos de recomendación basados en gráficos de conocimiento pueden introducir el aprendizaje de interacciones usuario-artículo en el gráfico de artículos, centrándose solo en aprender las representaciones vectoriales de los nodos dentro de un solo gráfico; alternativamente, pueden tratar las interacciones usuario-artículo y los gráficos de artículos como dos gráficos separados y aprender de cada gráfico de forma individual. Aprender de dos gráficos tiene ventajas naturales en la exploración de información original e información de interacción, pero enfrenta dos desafíos principales: (1) en escenarios de conexión gráfica complejos, cómo extraer adecuadamente la auto-información de cada gráfico, y (2) cómo fusionar la información de interacción de los dos gráficos asegurando que la información de interacción usuario-artículo predomine. Los métodos existentes no exploran a fondo la minería simultánea de auto-información de ambos gráficos y la información de interacción efectiva, lo que lleva a la pérdida de valiosos conocimientos. Considerando el éxito del aprendizaje contrastivo en la minería de auto-información e información auxiliar, este documento propone un método de recomendación de aprendizaje contrastivo de doble gráfico basado en gráficos de conocimiento (KGDC) para explorar representaciones más precisas de usuarios y artículos en sistemas de recomendación basados en gráficos de conocimiento externos. En el proceso de aprendizaje dentro del gráfico de auto, KGDC refuerza y representa la información de diferentes bordes de conexión en ambos gráficos, y extrae la información existente de manera más completa. En el aprendizaje de información de interacción, KGDC refuerza la relación de interacción entre usuarios y artículos en el gráfico de conocimiento externo, realizando el papel principal de la tarea. Realizamos una serie de experimentos en tres conjuntos de datos estándar, y los resultados muestran que el método propuesto puede lograr mejores resultados.