随着个性化推荐系统在工业界应用的愈发成熟,电子商务、影视、新闻和音乐等众多领域都使用了不同形式的推荐系统并获得巨大的成功,但用户-项目交互数据稀疏和冷启动问题依然是推荐系统中不可避免的两个问题,尤其是在大规模的电子商务平台中。近些年来,很多研究工作发现知识图谱中所蕴含的丰富信息可以与推荐系统的项目信息关联起来,这在一定程度上弥补了推荐系统中的信息稀疏,因此在推荐系统中引入知识图谱已成为推荐领域最热门的研究方向之一。针对上述推荐系统存在的问题,本文提出了一种基于知识图谱的推荐模型—循环知识感知网络,利用知识图谱中的路径来挖掘用户潜在的兴趣偏好,从而对用户进行个性化推荐。本文主要的研究工作如下:第一,构建电影领域的知识图谱,并使用循环神经网络对知识图谱中语义路径进行建模,得到用户潜在的兴趣偏好,然后使用自注意力机制来区分不同兴趣的重要程度,从而获取到用户真正的兴趣偏好。第二,在真实的数据集上对模型进行训练和优化,并分别计算本文提出的模型与其他对比模型在正常情况下与冷启动情况下的性能表现。第三,在知识图谱中选取不同长度的路径进行实验,论证路径长度和推荐性能的相关性。通过实验结果可以看出,无论是正常情况下还是冷启动情况下,本文提出的循环知识感知网络均获得了最佳的性能表现,这说明推荐系统和知识图谱的结合不仅可以提升推荐系统的性能,还缓解了推荐系统中冷启动的问题,并为推荐结果提供了有意义的解释。