随着互联网和信息技术的迅速发展,信息过载问题已经严重地干扰人们对信息的选择。信息过载是指网络上的数据超过了人们可以接受和处理的范围。为了帮助人们快速获取所需信息,推荐系统应运而生。推荐算法是推荐系统的核心内容,传统的协同过滤算法基于用户-物品评分矩阵计算用户之间或者物品之间的相似性,实现推荐任务。但是传统的协同过滤算法存在以下问题:第一,由于用户-物品评分矩阵存在数据稀疏的问题,导致传统的协同过滤算法不能准确地获取相似的用户或物品;第二,传统的协同过滤算法忽略了物品本身的内在属性信息,从而不能明确用户具体的兴趣爱好;第三,传统的协同过滤算法不能对推荐结果做出解释;第四,传统的协同过滤算法存在冷启动问题。针对上述问题,本文以推荐算法为研究内容,在传统的协同过滤算法中引入了知识图谱和元路径的概念,提出了一种基于知识图谱元路径的协同过滤算法,以此来提升推荐结果的准确率,并对推荐结果做出相应的解释。本文的主要工作如下:(1)本文以电影推荐为例,构建一个电影领域的知识图谱。首先通过对电影领域的知识图谱进行分析,构建电影知识图谱的知识体系;然后基于电影数据集Moive Lens-1M,从开放链接数据库DBpedia中抽取所需的电影知识,将用户的交互行为记录和所抽取的电影知识融入到知识图谱中;最后使用图数据库Neo4j对知识进行存储,实现电影知识图谱的构建。(2)为了缓解传统协同过滤算法面临数据稀疏的问题,本文在传统协同过滤算法的基础上,引入了知识图谱和元路径两个概念,提出并实现一种基于知识图谱元路径的协同过滤算法(KG＿User CF)。具体地,KG＿User CF算法通过元路径在电影知识图谱上的映射,计算用户对电影各方面的兴趣分布矩阵,接着,综合考虑用户多方面的兴趣计算用户对电影的感兴趣程度,然后为用户生成一个推荐列表,最后将该推荐列表与传统基于用户的协同过滤算法生成的推荐列表进行融合,生成最终的推荐列表。本文最后通过在真实世界电影数据集Movie Lens-1M上进行实验,并与多个算法进行了对比,证实了本文提出的KG＿User CF算法的有效性。