Le filtrage collaboratif souffre souvent de problèmes de rareté et de démarrage à froid dans des scénarios de recommandation réels. Par conséquent, les chercheurs et les ingénieurs utilisent généralement des informations annexes pour résoudre ces problèmes et améliorer les performances des systèmes de recommandation. Dans cet article, nous considérons les graphes de connaissances comme source d'informations annexes. Nous proposons MKR (Multi-task feature learning approach for Knowledge graph enhanced Recommendation), une approche d'apprentissage de caractéristiques multi-tâches pour la recommandation renforcée par un graphe de connaissances. MKR est un cadre profond et intégré qui utilise la tâche d'embedding de graphe de connaissances pour aider la tâche de recommandation. Les deux tâches sont associées par des unités croisées et compressées (cross&compress units), qui partagent automatiquement des caractéristiques latentes et apprennent des interactions d'ordre supérieur entre les éléments du système de recommandation et les entités du graphe de connaissances. Nous démontrons que les unités croisées et compressées possèdent une capacité suffisante d'approximation polynomiale, et montrons que MKR est un cadre généralisé sur plusieurs méthodes représentatives des systèmes de recommandation et de l'apprentissage multi-tâches. Grâce à des expériences approfondies sur des ensembles de données réels, nous illustrons que MKR réalise des gains substantiels dans la recommandation de films, livres, musique et actualités, comparativement aux méthodes baselines les plus avancées. De plus, il est démontré que MKR peut maintenir une performance satisfaisante même lorsque les interactions utilisateur-élément sont rares.