当今互联网飞速发展,人们生活中充斥着越来越多的选择,因此各大网站的推荐功能应运而生。当朋友推荐一部书籍,访问图书网站查找,目标书籍出现在返回表单中,同时网页会列出一些你可能喜欢的书籍,这就是推荐系统的应用。对于传统的协同过滤推荐算法,只凭借原有参与者的过去意见和行为来进行预测。本文结合知识图谱技术构建图书领域知识库,针对实体语义进行消歧处理,对实体消歧处理后所得到的实体进行语义相似度计算,再将语义相似的邻域与传统协同过滤推荐算法的推荐邻域按照不同比例进行融合,从而将有关中文实体的消歧语义信息融合到传统协同过滤推荐算法。目的是改善传统协同过滤算法未加入实体语义信息的弊端,理论及实验证明本文所改进的算法能有效改善协同过滤算法在推荐过程中的效果,尽可能改善推荐过程中所存在冷启动问题。本文提出基于领域知识图谱实体消歧的协同过滤推荐算法,构建领域知识库并通过网络爬虫技术所获取的图书文本信息构建知识图谱模型。通过基于图谱的随机游走算法对该领域内的实体进行语义相似性计算,将未消歧处理的实体所在的文本关键词与知识库里的实体备选关键词,通过建立模型进行语义相似度的交叉计算,将计算值最大的备选实体选定成所选目标,以实现实体消歧的操作处理。最后针对实体消歧处理后的中文语义数据进行语义相似性矩阵构建并寻找语义邻域,最终将语义邻域与推荐算法计算的邻域按照相应实验比例进行融合,通过调整语义邻域和传统协同过滤算法推荐邻域的融合比例以及领域知识图谱融合维度进行训练,最终实现实体的语义层面融合到推荐领域中。本文采用维基百科数据库中图书类别下的实体信息构建知识库,采用知识库中实体与通过网络爬虫技术所获取的图书文本信息,测试集是图书网站上爬取推荐读的好书列表,通过Word2Vec工具构建知识图谱和词向量模型。实验评估结果将召回率和准确率以及F值作为实验效果参考依据值,通过实验证明,该算法可以在一定程度上提高传统协同过滤推荐的有效性。