随着数据信息时代的数十年发展,互联网中的数据体量也愈加庞大,在人们检索时遇到了不同数据形式的大量数据信息所导致的信息过载问题。其中在电影领域多维度形形色色的数据信息快速增长为用户带来海量资源的同时也使得用户不能有效寻找自己感兴趣的电影。电影推荐系统凭借对冗余信息的过滤,可以为用户高效地寻找喜欢的电影,近年来受到很大关注。该系统使得用户在电影搜索时变得容易。但是传统的推荐系统在推荐性能上依然受到数据稀疏性以及冷启动的限制,主要原因是每个用户都拥有不同的兴趣爱好,因此对电影的喜好也是因人而异。系统中的用户数据较少无法获得用户数据因此不能对用户喜好做出正确预测,从而影响推荐效果。为了缓解数据稀疏性的影响,本文通过构建电影领域知识图谱,利用知识图谱计算电影间语义相似度,结合传统推荐算法实现个性化电影推荐。研究内容如下:首先介绍了电影领域知识图谱的设计与实现。翻译模型在构建知识图谱过程中具有复杂度较低且表示准确度较高等优点,因此本文采用计算量较小的翻译模型作为知识图谱表示模型。传统的翻译模型Trans E由于不能处理电影实体间的多关系,导致在推荐算法中相似度的计算准确率较低。于是本文选用改进的Trans HR模型以弥补Trans E模型在多关系表示方面的不足,提升了推荐性能。其次为了进一步提升知识图谱在电影相似度计算方面的准确性,在构建电影领域知识图谱过程中,利用文本聚类算法挖掘电影评论中关于电影的相同属性并作为类别关系嵌入知识图谱。结合K-means聚类算法提取出电影评论中实体间的隐藏关系并添加在知识图谱中,提升了知识图谱的完整度,进一步提升推荐性能。最后结合知识图谱计算电影间相似度并且融合基于用户评分矩阵的电影相似度应用于矩阵分解中,形成了一种个性化推荐方法。该方法利用了已有的知识库弥补推荐过程中因评论数据量较少导致的推荐性能下降的问题。对比实验结果表明,与传统算法相比,该算法提升了推荐召回率、准确率、RSME和MAE等指标。