Kollaboratives Filtern leidet in realen Empfehlungsszenarien oft an Sparsität und Cold-Start-Problemen. Deshalb nutzen Forscher und Ingenieure in der Regel Nebeninformationen, um diese Probleme zu bewältigen und die Leistung von Empfehlungssystemen zu verbessern. In dieser Arbeit betrachten wir Wissensgraphen als Quelle für Nebeninformationen. Wir schlagen MKR (Multi-task feature learning approach for Knowledge graph enhanced Recommendation) vor, einen Ansatz des Multi-Task-Lernens zur Verbesserung von Empfehlungen durch Wissensgraphen. MKR ist ein tiefes End-to-End-Framework, das die Aufgabe der Einbettung von Wissensgraphen nutzt, um die Aufgabe der Empfehlung zu unterstützen. Die beiden Aufgaben sind durch Cross&Compress-Einheiten verbunden, die latente Merkmale automatisch teilen und höhere Interaktionen zwischen den Elementen im Empfehlungssystem und den Entitäten im Wissensgraph lernen. Wir zeigen, dass Cross&Compress-Einheiten eine ausreichende Fähigkeit zur Polynomapproximation besitzen, und beweisen, dass MKR ein verallgemeinerter Rahmen über mehrere repräsentative Methoden von Empfehlungssystemen und Multi-Task-Lernen ist. Durch umfangreiche Experimente auf realweltlichen Datensätzen demonstrieren wir, dass MKR erhebliche Verbesserungen bei Filmen, Büchern, Musik und Nachrichtenempfehlungen gegenüber den neuesten Baseline-Methoden erzielt. Zudem zeigt sich, dass MKR auch bei dünn besetzten Nutzer-Element-Interaktionen eine gute Leistung aufrechterhält.