知识图谱因其具有强大的组织能力和关系处理能力,常被应用于智能搜索引擎、推荐系统等领域,以提高其精确度。当前,基于知识图谱的推荐系统主要分为基于特征的推荐和基于路径的推荐。基于特征的推荐算法利用知识图谱直接知识表征,未能引入多跳关系,难以利用知识的语义网络信息。基于路径的推荐算法利用知识图谱多跳知识,有效利用知识图谱的语义网络信息,但通常依赖于先验知识。因此,针对推荐算法如何有效利用知识的语义关联信息问题,开展知识图谱在推荐系统中应用的研究,具有很高的研究价值。本文针对推荐算法如何有效利用知识的语义关联信息问题,开展基于知识图谱的推荐系统的研究。设计一种基于自注意力的知识表示学习模型,利用实体关系所在整体三元组学习实体关系语义信息,以实现知识特征高质量的表示,为推荐带来更多更有用的信息。构建行为和知识特征统一嵌入的内容推荐模型,利用用户历史喜好结合知识图谱动态学习知识特征为用户带来更精确多样的推荐。本文的主要贡献如下:1.针对知识特征表示学习问题,提出了一个基于自注意力的知识表示学习模型,围绕三元组对于确定实体语义的重要程度差异,利用自注意力机制从三元组中学习语义,以提高知识特征表示的质量,为推荐系统提供高质量的辅助信息。通过链接预测和三元组分类实验展示模型性能,证明本文提出的方法的可行性。2.针对知识图谱在推荐系统应用结合问题,提出了一种行为和知识特征统一嵌入的内容推荐算法,充分利用历史喜好结合知识图谱语义关系结构,深度挖掘用户兴趣爱好。通过点击预测实验,展示模型动态学习语义关联信息和深度挖掘喜好的能力,证明了该算法的有效性。3.构建了基于知识图谱的推荐系统,面向新闻推荐的应用,基于前面两个贡献设计实现新闻推荐系统,实现了为用户推荐喜好新闻的功能,并展示了系统实际效果。