针对传统协同过滤存在的稀疏性和冷启动问题，通常使用深度神经网络(DNN)构建融合知识图谱和推荐系统的推荐任务。但目前的方法未曾考虑特征间的低阶线性关系，虽可加入因子分解机(FM)，但不同的特征对模型的贡献不同，FM可能会因所有特征交互设置相同的权重而受到阻碍；DNN解决知识图谱这种具有不规则、可扩展、多重结构特性的数据结构不具普适性。针对以上问题，提出MKAFG模型，推荐部分加入具有注意力机制的FM，通过注意力网络区分不同特征交互的重要性，使FM提取到对目标预测起到重要作用的一阶、二阶线性交互特征。知识嵌入部分使用图卷积神经网络(GCN)，提高推荐系统推荐效果。实验结果表明，MKAFG在MovieLens-1M数据集上的推荐效果优于主流推荐模型。