随着网络越来越发达,以及信息技术越来越完善,人们实现了“在家不出门,便知天下事”的信息自由。接踵而来的不再是信息稀缺的问题,而是如何处理超出人们可以人为方便处理的数据量的问题。对于电影行业来说也面临着同样的问题,自从Netflix利用其3000万付费用户的数据制作《纸牌屋》（House of Cards）以来,大数据一直在发挥着重要作用。推荐系统就是解决这一问题的有效方法,可以帮助片方便捷地找到目标群体,也帮助用户减少搜索心仪的影片所花费的时间。基于协同过滤的推荐算法最常被用于电影推荐中,然而,数据量在这个时代的爆炸式增长,对于推荐系统来说既是机遇同样也是挑战。协同过滤推荐算法中存在的问题有两方面,一方面是协同过滤算法中只考虑用户评分矩阵而忽略电影内容的问题,另一方面是冷启动以及用户评分矩阵稀疏性的问题。为了解决这两方面的问题,本文采取基于用户画像与知识图谱融合的电影推荐算法。本文主要包括以下三个方面的内容:（1）为了解决上面所述第一个方面的问题,本文在推荐系统中结合了用户画像,通过利用用户画像的特点和性质将电影内容考虑进去以提升推荐性能。通过分析用户与电影的交互记录,利用用户画像技术准确描述用户信息,采用LDA和TF-IDF文本挖掘算法建立用户建模时的文本主题模型。（2）本文将知识图谱与推荐系统相结合以解决稀疏性评分矩阵的问题。通过建立出电影领域中的知识图谱,可以提取出电影的语义信息,再通过与协同过滤算法的结合,就可以有效地提高推荐性能。在知识图谱与推荐算法结合的过程中,采用的算法是在传统的算法基础上改进的Ripple Net算法,通过使用用户点击记录不断扩大挖掘出用户感兴趣的潜在点。最后将基于用户画像的推荐算法与基于知识图谱的推荐算法推荐出来的影片进行结合,提高推荐算法的精确度。（3）实证研究。为了使本文的优化算法更有说服力,本文在电影数据集Movie Lens上对基于用户的协同过滤算法做了实证研究,之后又引入了IMDB集对混合后的推荐算法进行研究。最后通过召回率、准确率、综合值F1对推荐效果进行评价。通过实证证明本文提出的算法对于推荐系统性能的提升有很好的效果。