随着信息技术的加速发展,信息阻塞也越来越严重,用户对所需信息的需求质量也随之提高,这成为了当下急需解决的问题。随着推荐系统的应运而生,学术界和工业界在此领域也进行了广泛研究。但当前的信息推荐,使各个领域内信息互相匹配且相似的内容与用户所需要的信息内容结果相比还不太理想,且对于推荐给用户所真正需要的资源还需要精准和完善。所以,眼下怎样令用户得到合理化和个性化的资源是推荐算法的主要研究目标。本文针对这些挑战进行研究和分析,提出基于微本体和图匹配的个性化推荐方法,使推荐效果得到了有效提高。本文的主要贡献点如下:（1）根据本体技术的语义性,本文首先利用K-means方法将领域的信息和用户信息进行聚类分析,使其微本体框架由“概念、属性和实例”等构成,然后构成的微本体框架能够更加清楚的表达出信息之间的语义关系,这样即能够使本体结构清晰,又能够轻松的构建出微本体模型。（2）根据“概念、属性和实例”等形式的微本体模型,将主题微本体和用户微本体分别构建成RDF（资源描述框架）形式的数据图和查询图。在RDF图的上下文中,不同的路径表示顶点之间的语义关系。引入的路径索引模式图以便更好的进行微本体之间的匹配。（3）针对推荐过程中合理化与个性化的问题,引入了微本体之间相邻元素及其语义关系,提出了基于微本体和图匹配的个性化推荐方法。通过为主题微本体和用户微本体建立具有语义关系的相邻元素及其关系构成的RDF路径索引,在主题微本体和用户微本体进行匹配时当作是数据图G与查询图Q之间的匹配。首先将查询图Q分解为一组路径,在分解过程中为每条路径获得一组候选匹配路径;然后通过N-partition交集图将候选路径连接在一起,最后构建出查询图的匹配图的近似结果集,得出推荐结果。最后,本文的基于微本体和图匹配的个性化推荐方法,在Movie Lens数据集上进行了相关实验。并将本文提出的基于微本体和图匹配的个性化推荐方法与其他算法进行了对比实验。实验结果表明,该方法能够有效提高推荐的精准度且优于其他算法。