随着互联网行业和信息技术的飞速发展,用户面对大量的信息选择。因此,推荐系统帮助用户处理信息过载的问题,受到越来越多的关注。面对这样的大规模的选择,用户只会调用其中很小的一部分,从而会造成数据稀疏性问题。因此,在数据稀疏的情况下,如何建立用户与项目之间的关系,挖掘更多的数据信息以更好地帮助用户过滤冗余信息,满足用户的个性化需求,在当今社会已经成为一个巨大的挑战。传统的协同过滤算法在推荐系统中已经取得了不错的效果,但当遇到数据稀疏问题时,其算法性能就会受到影响。为解决数据稀疏问题,本文提出了基于项目共现的度量分解,该模型利用欧式距离联合分解用户-项目交互矩阵和共享潜在因子的项目-项目共现矩阵。通过点互信息的计算,从共同喜欢矩阵中得到了项目共现矩阵。同时,在4个数据集上进行了关于等级预测和项目排序的实验。实验结果表明,该方法在评价预测和项目排序两方面都明显优于对比算法。此外,其不仅适用于等级预测和项目排序,而且能很好地克服数据稀疏的问题。知识图谱的推荐将知识图谱中丰富的项目实例和联系用于用户-项目的补充信息以解决数据稀疏和冷启动问题已经得到了越来越多的关注。为充分使用知识图谱的优势,本文提出了传播用户偏好的知识图谱的推荐算法,主要联合使用基于嵌入和基于路径的知识图谱推荐的一个端到端的推荐框架,同时引入曼哈顿距离与矩阵分解内积共同进行用户和项目潜在因子的训练以缓解矩阵内积不满足三角不等定理的问题。为展现方法的有效性,在数据集Book-Crossing和movielens-1M进行了实验,实验结果表明该方法在这2个数据集上都有较大的提升。但只是使用了一些常见的关系建立知识图谱,在未来的研究中应引入新的关系以完善知识图谱的建立。