当前,大多数互联网用户都面临着信息过载的问题。因此,学术界和工业界出现了各种推荐系统和方法来解决这一问题。推荐系统一般根据用户的个人信息库来预测用户对未知项目的评价或者为用户提供相关信息。混合推荐系统集成了不同的推荐方法和技术,利用它们各自的优点,克服它们各自的局限性,来获得更好的结果并提高预测和推荐的质量。然而,尽管推荐系统在工业界和学术界得到了广泛关注和快速发展,但它仍然面临着冷启动、数据稀疏、用户建模以及用户兴趣偏好转移等诸多挑战和限制。许多学术研究只关注用户与用户或者项目与用户之间的相似度算法,而忽略了用户个人信息库的重要性。此外,这些学术研究也没有给予用户兴趣的动态变化以足够的关注。因此,除了提高推荐结果的准确性外,还可以通过解决推荐系统的这些挑战和局限性,进一步提高推荐的效率和有效性。本文主要聚焦于用户建模和混合推荐方法,研究了不同的用户建模方法以解决在推荐系统中遇到的诸多挑战和缓解推荐系统的局限性。此外,用户生成的内容（如用户评论）也被用于用户建模,以改善用户个人信息库和提高推荐的性能。在用户建模研究的支持下,本文提出了一种新的用户混合推荐方法,该方法主要用来解决用户兴趣偏好变化问题和提高推荐的性能。本文所提出的混合推荐方法采用基于内容和神经协同过滤的方法,利用扩展的用户和项目信息执行用户建模、评分预测和Top N推荐任务。此外,该混合推荐系统还将扩展的用户和项目信息应用于知识图谱中,以利用用户、项目、属性和特征之间的关系来提高评分预测的性能。本文采用准确率、召回率、新颖性、多样性、MAE（Mean Absolute Error）和RMSE（Root Mean Square Error）等多种评价指标,把该混合推荐方法与几种基准推荐算法进行了全面地,详细地评估和比较。实验结果表明,本文提出的混合推荐方法解决了用户兴趣偏好变化的问题,而且在评分预测以及Top N推荐上优于目前这些基准方法。此外,本文还设计并实现了一个基于该推荐方法的推荐系统原型。该推荐系统原型提供了其管理的图形用户界面以及允许用户查看、执行和控制本文提出功能,此外,原型还包括查看和搜索系统中所有的用户和项目,构建和查看不同的知识图谱,为每个用户创建其个人信息库,生成评分预测以及Top N推荐。本研究有助于学术界在用户建模,混合推荐方法和推荐系统评估等方面的研究。而且,基于本文提出的混合推荐方法,本研究设计和开发了一个推荐系统原型,促进了推荐系统行业的发展。