知识图谱(KGs)已成为通过提供大量事实信息和捕捉项目之间的语义关系来丰富推荐系统的宝贵资源。利用知识图谱可以显著提高推荐性能。然而,并非知识图谱中的所有关系对于目标推荐任务都同等相关或有益。事实上,某些项目-实体连接可能引入噪声或缺乏信息价值,从而可能误导我们对用户偏好的理解。为了弥补这一研究空白,我们提出了一种新颖的知识图谱扩散模型用于推荐,称为DiffKG。我们的框架将生成扩散模型与数据增强范式结合起来,实现了健壮的知识图谱表示学习。这种集成有助于更好地将知识感知的项目语义与协同关系建模对齐。此外,我们引入了一种协同知识图谱卷积机制,它结合了反映用户-项目交互模式的协同信号,指导知识图谱扩散过程。我们在三个公开可用的数据集上进行了广泛的实验,一致地证明了我们的DiffKG与各种竞争基线相比的优越性。我们在以下链接提供了我们提出的DiffKG模型的源代码仓库:https://github.com/HKUDS/DiffKG。