Los grafos de conocimiento han mostrado un gran potencial en aliviar el problema de la escasez de datos en los sistemas de recomendación. Sin embargo, los métodos de recomendación basados en la atención de grafos existentes se centran principalmente en las interacciones usuario-elemento-entidad, pasando por alto las posibles relaciones entre usuarios al introducir entidades ruidosas e información redundante de alto orden. Para abordar estos desafíos, este documento propone un método de recomendación basado en la atención de grafos que mejora las características del usuario utilizando grafos de conocimiento (KGAEUF). Este método modela las relaciones de usuario a través de la propagación colaborativa, enlaza entidades a través de entidades de usuario similares y filtra entidades altamente relevantes desde las perspectivas usuario-entidad y usuario-relación para reducir la interferencia de ruido. En la propagación de múltiples capas, se introduce un mecanismo de asignación de peso consciente de la distancia para optimizar la agregación de información de alto orden. Los resultados experimentales demuestran que KGAEUF supera a los métodos existentes en las métricas AUC y F1 en los conjuntos de datos de Last.FM y Book-Crossing, validando la efectividad del modelo.