针对知识图卷积网络(KGCN)推荐系统存在的数据稀疏、冷启动、辅助信息利用不足，以及消息传播过程中因数据收集可能引发的隐私泄露的问题，本文提出一种融合Rényi差分隐私的知识图卷积网络推荐方法(knowledge graph convolutional network recommendation method for fusing Rényi differential privacy，KGRRDP)。首先，通过构建用户和项目偏好交互嵌入以挖掘深层关联，利用多跳邻居聚合充分融合知识图谱中的辅助信息，并结合自适应注意力机制动态分配特征权重，从而提升推荐的准确性与可解释性，基本解决了数据稀疏、冷启动、辅助信息利用不足的问题。其次，通过对嵌入向量施加随机扰动以注入隐私噪声，并基于Rényi差分隐私(RDP)框架实现更精确的隐私损失量化；进一步引入梯度动态更新策略优化敏感度计算，在增强隐私保护的同时减少模型精度的损失。实验结果表明，与性能最好的基线方法相比，KGRRDP在多个数据集上的AUC和F1指标分别提升了1.8%~3.9%和2.5%~3.2%，且对隐私预算变化敏感度低，实现了隐私保护与推荐效果的有效平衡。