随着互联网承载的信息量爆炸式增长,用户对信息推荐的个性化需求变得越来越大。个性化信息推荐的出现,能够有效地帮助用户获取准确的信息。然而,传统协同过滤推荐方法在挖掘用户及项目信息方面依然存在数据稀疏和过载问题,这些都限制了推荐结果的精准性。利用知识图谱中丰富的语义关系的优势可以为基于人物的个性化信息推荐设计提供更有效的途径,并逐渐成为学者们研究的重点。本文主要研究基于知识图谱的个性化信息推荐,重点研究用户兴趣建模、重点目标识别以及基于知识图谱的协同过滤推荐方法。本文的主要研究工作如下:（1）基于词向量和LDA主题模型的用户兴趣建模方法。针对传统用户兴趣建模过程中出现的降维力度不充分、语义缺失的问题,提出了一种基于词向量和LDA主题模型的用户兴趣建模方法。首先,经过预处理的数据集通过LDA主题模型进行训练,以提取文本主题信息;其次,通过使用BERT模型,训练输入的相应文本的词汇,得到词向量;再次,使用余弦相似度公式计算主题向量和文本向量的相似度,以描述每个文本的主题信息;最后,使用k-means聚类算法将用户文档集划分为几个相似的类别,进一步提取用户兴趣主题。实验结果表明,该方法与传统的兴趣建模方法相比,在识别性能上有明显的提升。（2）基于改进Page Rank算法的重点目标识别方法。针对传统的Page Rank算法只考虑拓扑网络结构,未能结合用户自身属性特征及用户关注行为特征的问题,本文提出了一种基于改进Page Rank算法的重点目标识别方法。首先,根据用户自身影响力、活跃度的用户属性特征以及用户评论转发行为过程中所产生关注行为进行影响力分析;其次,将用户自身属性特征和用户关注度融入到Page Rank算法中,计算出用户影响力值;最后,对计算出来的每个用户的影响力值从大到小进行排序,进一步生成重点目标。实验结果表明,该方法与已有的重点目标识别方法相比,在识别性能上有明显的提升。（3）基于知识图谱的协同过滤推荐方法。传统协同过滤推荐方法只关注用户与项目之间的联系,缺乏对用户之间、项目之间的相互联系的考虑。对此,本文提出了一种基于知识图谱的协同过滤推荐方法。首先,利用知识图谱表示学习把项目实体转换成实体向量,利用欧式距离计算项目的相似度,以获得项目的语义相似度;其次,根据用户的微博历史数据生成用户微博特征词,与知识图谱中实体进行匹配,确定用户兴趣度向量,形成用户兴趣度矩阵,并利用皮尔逊相似性计算用户兴趣度相似性;再次,将线性加权值用于融合两个相似度以获得最终的融合相似度;最后,将融合后得到的结果按照从大到小进行排序,向用户推荐一些排名较高的项目。实验结果表明,该方法相比传统协同过滤推荐的性能有很大的提升。