Debido a la capacidad del grafo de conocimiento para resolver eficazmente el problema de la escasez del filtrado colaborativo, el grafo de conocimiento (KG) ha sido ampliamente estudiado y aplicado como información auxiliar en el campo de los sistemas de recomendación. Sin embargo, los métodos de recomendación basados en KG existentes se centran principalmente en aprender su representación a partir del vecindario de los elementos objetivo, ignorando la influencia de otros elementos en el elemento objetivo. El aprendizaje se centra en la representación de características locales del elemento objetivo, lo cual no es suficiente para explorar eficazmente el grado de preferencia del usuario por el elemento objetivo. Para abordar los problemas mencionados, en este artículo se propone un enfoque que combina las características de interés local de los usuarios con las características de interés global (KGG) para explorar eficientemente el nivel de preferencia del usuario por el elemento objetivo, lo cual aprende las características de interés local y global del usuario para el elemento objetivo a través de la Red Convolucional del Grafo de Conocimiento y la Red Generativa Adversaria (GAN). Específicamente, este artículo utiliza primero la Red Convolucional del Grafo de Conocimiento para extraer atributos relacionados en el grafo de conocimiento para capturar efectivamente las correlaciones entre elementos y obtener la representación de características locales del elemento objetivo, luego utiliza el método de factorización de matrices para aprender las características de interés local del usuario para los elementos objetivo. En segundo lugar, utiliza GAN para aprender las características de interés global del usuario para los elementos objetivo a partir de la matriz de interacción implícita. Finalmente, se diseña una capa de fusión lineal para fusionar eficazmente los intereses locales y globales del usuario hacia los elementos objetivo para obtener la predicción final de clics. Los resultados experimentales en tres conjuntos de datos reales muestran que el método propuesto no solo integra eficazmente los intereses locales y globales del usuario, sino que también alivia aún más el problema de la escasez de datos. En comparación con las líneas de base actuales para sistemas basados en grafo de conocimiento, el método KGG logra una mejora máxima del 8.1% y 7.6% en AUC y ACC, respectivamente.