随着大数据和工业互联网的发展,社会发展过程中产生的数据信息无处不在。在海量的数据中向用户推荐有效的信息逐渐成为重要的研究方向。目前利用推荐技术发掘有价值信息的研究已非常深入,然而推荐算法中比较有代表性的协同过滤算法面临着稀疏性和冷启动问题,同时也缺乏对数据语义信息的挖掘。因此知识图谱作为一种描述实体之间关系的语义知识数据库,被广泛应用在推荐领域。本课题通过研究基于知识图谱的推荐算法,实现在设备运维领域内能及时向员工推荐合适的运维方案。通过构建完成设备运维领域的知识图谱与推荐算法融合的方式来提高推荐算法的效果,本文的主要研究内容如下:（1）首先研究了知识图谱的构建技术,通过将知识图谱应用于设备运维领域,完成了该运维领域知识图谱的构建。经过对比分析选择了 Neo4j数据库储存数据,然后将运维领域知识图谱进行向量化表示。（2）提出了一种改进型的基于知识图谱的推荐算法。将协同过滤的相似度与知识图谱中的相似度计算以加权的方式相融合,并通过实验遍历的方法确定了融合因子函数。并用增加权重的欧式距离对知识图谱语义相似度进行了优化,然后又基于传统的评分预测计算方法,通过引入时间衰减函数的方式来减小评分的间隔时间的变化对评分预测的影响,进而改善评分预测的效果。最后通过仿真结果证明了本文提出的改进后的推荐算法的各项性能有所提升。（3）设计并实现了利用改进后的基于知识图谱的协同过滤算法的运维推荐系统,通过功能分析与架构的设计,利用基于Java的SSM框架实现前后端数据的交互,最终实现了推荐系统的搭建,完成了对运维异常问题实现方案推荐的功能,进一步展示了本算法的有效性。