随着信息技术及互联网环境的不断发展,随之而来的信息过载问题亟待解决,常见的数据稀疏以及冷启动问题都在一定程度上影响了推荐质量。现有的大部分推荐算法更偏向于物品信息的考虑,而往往忽略了用户信息,同时更加侧重于挖掘用户与物品之间的静态相关性,但忽略了随着时间的推进而导致的用户兴趣的衰减以及偏好的动态变化,从而无法实现理想的效果。为了解决以上问题,本文提出了基于双端知识图的用户偏好推荐模型,主要研究内容如下:本文提出了一种融合知识图卷积网络的双端邻居推荐算法（Combining Knowledge graph convolutional networks for Double side recommendation,CKD）,在用户端及物品端同时进行特征的提取。其中对于用户特征的提取通过用户偏好在知识图谱中的扩散过程获得。对于物品特征的提取,基于知识图卷积网络模型将其邻居信息聚合到物品节点生成嵌入向量。最后让用户兴趣传播与物品特征聚合交替进行共享当前已知信息,从而提高推荐质量。本文在CKD模型的基础上,给出了将用户长短期喜好（Long and Short term Preference）加以融合的推荐算法（CKD-LSP）,并由此方法来解决了由于时间的推移所产生的用户兴趣的逐渐衰减,及其偏好的动态变化的问题。此模式首先使用CKD模型,来对用户的长期潜在偏好加以挖掘;再利用隐马尔可夫模型,来获取用户的短期兴趣偏好;最后,将上述二者加以融合后为目标用户提供了个性化推荐。算法中既涵盖了用户整体的个性化特点,也借助用户行为序列掌握了用户的时序特性,从而提高了推荐效果。该模型在Movie Lens-1M以及BookCrossing两个数据集上进行对比实验,通过AUC和F1值将其与基线方法进行对比,经实验后证明算法有效性获得显著提高。最后本文在研究的基础上,设计和完成了基于双端知识图谱和用户喜好的影片推荐体系,把已经训练好的CKD-LSP模型导入了推荐体系中,为用户提供满意的个性化影片推荐。经过对本文实现的整个电影推荐系统的需求分解,各个功能模块设计以及数据库的设计,经过开发实现了对整个电影推荐系统在用户端以及管理端的实现,从而进一步验证了算法应用的有效性。