目前,互联网流量急速膨胀,用户在面对这些数据时,无法有效地获取自身所需信息,于是推荐算法应运而生。知识图谱对知识语义联系具有优秀的表示能力,将其运用于推荐算法能够有效地增强物品相似度以提高推荐效果。因此,基于知识图谱的推荐对于推荐算法的进步具有重要的意义。本论文在目前流行推荐算法和知识图谱相关技术的研究基础上,创新性地提出了基于包含客观物品内在知识和主观用户偏好的知识图谱的电影推荐算法。一方面,当前有些流行的推荐算法仅使用用户行为数据来实现推荐,过于依赖用户偏好,缺乏对物品内容的协同理解,忽略物品之间的语义联系,而且在数据稀疏的情况下,容易出现冷启动的问题,导致推荐效果不是十分理想。另一方面,在当前基于知识图谱的推荐算法中,知识图谱中包含物品内在语义信息,虽然很好地表示了物品之间的语义联系,但是未充分考虑用户偏好,在表示实体和实体之间的联系时忽略了用户的主观兴趣,导致推荐结果缺乏多样性。因此针对当前研究工作中面临的问题,本论文在研究工作中,将物品内在语义信息和用户偏好融入知识图谱。物品内在语义信息是通过将电影和电影特征实体以及它们之间的关系构造为实体关系三元组的形式来表示的,用户偏好是本文通过对用户行为数据进行建模得到用户实体、电影实体和它们之间的关系,创新性地利用实体关系三元组的形式来表示的。这样知识图谱就能够在语义层面上精确的表示电影物品之间丰富的语义联系、增强对物品的内容理解,并且能够对用户项目关联作很好地诠释,从而挖掘用户兴趣。然后利用知识表示学习算法建立知识表示模型,对知识图谱进行关联表示学习,将其中的实体关系表示为向量形式,根据训练得到的实体关系向量计算得出电影实体之间的相似度,与通过协同过滤推荐算法得出的电影物品相似度相结合,进而实现电影的推荐。如此,算法能够兼顾物品之间的语义联系和用户偏好,同时还具备协同过滤的优势。在知识表示学习中,TransE模型在表示复杂关系时表现一般,无法很好的区分具有同一关系的不同实体,而本文构建的知识图谱中实体之间的关系是复杂且类型多样的。另外,TransR等翻译模型虽然可以较好地表示多对多关系,但模型较为复杂,计算性能偏低。因此经过深入研究,本文创新性地利用适用于复杂实体关系表示,同时兼顾性能的TransH翻译模型来建立知识表示模型,以此进行知识图谱中知识的关联表示学习,进而完成向量化表示实体关系的工作。与多种主流推荐算法进行对比发现,本论文经过研究提出的推荐算法的精确度得到了很大的提升且具备很好的多样性。同时因为知识图谱中蕴含丰富的知识数据和各种知识间的联系,所以算法还能够有效避免数据稀疏和冷启动的问题。