随着互联网新时代的到来,计算机技术与应用生态进入了高质量发展阶段。网络用户在享受网络带来的大数据红利的时候,也面临着信息超载等难题,导致用户无法快捷地、清晰地筛选出有效数据或其感兴趣的信息。本文所阐述的推荐系统便可以主动地为用户推荐个性化信息,从而提高用户的体验满意度。传统的推荐系统面临着数据稀疏和冷启动等问题,这些问题严重制约了系统的推荐性能。本文研究目的就是构建高效率的融合知识图谱的推荐模型,将其落地到音乐领域,即设计并实现一套个性化音乐推荐系统。首先本文在课题研究背景的基础上,介绍了推荐方法和知识图谱的发展和研究现状,阐述了常见的个性化推荐方法,总结了知识图谱的主要构建技术。通过学习这些相关的理论知识和技术为后续的研究工作打好了铺垫。本文采用了自己构建的领域知识图谱来提高知识图谱的质量。主要内容是采用选定的本体描述语言来构建知识图谱本体,然后使用脚本获取数据存储到数据库,接着依据本体的约束对数据库进行知识映射和序列化。最后将序列化的知识存储到图数据库,形成一个高质量的领域知识图谱。然后本文设计并实现了个性化音乐推荐系统。主要内容是对系统进行需求分析,进而设计了系统的总体架构、细分功能以及数据库表。然后根据总体设计我们开发编程实现了各个模块功能。最后部署系统、进行功能与性能测试。本文的核心研究是构建融合知识图谱的个性化推荐模型,包含建立模型的推荐任务、知识图谱任务以及构建特征融合模块。通过训练模型、设计多种对比实验等方式进行实验,依据评价标准对实验数据进行了图表分析,其研究结果表明本文模型在点击率以及Top-N推荐都有一定程度的性能提升。最后本文将构建的模型应用到设计开发的音乐系统中,完成了个性化音乐推荐。