近年来,知识图谱凭借着强大的语义处理能力与开放互联能力受到广泛关注。知识图谱以结构化形式描述客观世界中实体及实体间关系,方便了对海量信息的组织、管理、理解与利用。然而,知识图谱的结构化数据难以直接应用于下游任务,需依赖知识图谱表示方法对结构化信息进行建模。知识图谱表示可以在保持图谱结构信息的同时,将实体及关系表示为稠密低维实值向量,为后续知识图谱的应用——如解决推荐系统数据稀疏问题——奠定了基础,具有重要研究意义。本文在已有知识图谱研究成果的基础上,针对动态知识图谱表示算法及知识图谱在推荐系统中的应用展开研究,主要工作包括以下两点:一、考虑到现有知识图谱表示方法大多忽略了动态知识图谱中结构化信息的历史变化趋势,而该变化趋势通常会影响实体及关系的表示,本文结合门控循环单元(GRU)提出一种新的动态知识图谱表示方法TDG2E。具体而言,该方法通过切割动态知识图谱获得不同时间节点的子图,并使用GRU捕获子图间的时序依赖关系,从而准确建模动态知识图谱的演化过程。同时,针对时间间隔不均衡问题,TDG2E通过在GRU中添加时间间隔门的方式消除了间隔不均衡的负面影响。本文通过在真实公开数据集YAGO11k及Wikidata12k上的大量实验证明了TDG2E在Mean Rank和Hit Rate指标上均优于现有知识图谱表示方法。二、针对现有融合知识图谱来解决推荐系统数据稀疏问题的方法,在引入知识图谱中实体及关系来表示推荐系统中用户时,大多忽略了不同引入实体的重要性问题,本文结合注意力机制提出一种新的知识感知推荐方法AKUPM。对于给定用户,该方法从其购买产品出发,沿着知识图谱关系进行逐层搜索,不断触达与该用户相关联的实体。然后利用注意力与自注意力机制计算不同实体之间的相关关系,并据此赋予不同实体不同权重,以突出与用户喜好信息相关的实体,从而提高用户喜好建模的准确性。为验证模型有效性,本文基于Movie Lens-1M和Book-Crossing两个主流数据集设计并进行了广泛的对比实验。实验结果表明AKUPM在AUC、ACC和Recall@top-K等指标上均优于现有推荐方法。