随着商品信息、新闻资料和多媒体服务等数据的增长,用户从海量数据中挑选所需信息的难度大幅度增加。推荐领域研究者尝试引入用户-项目属性、用户-社交信息以及知识图谱等辅助信息挖掘用户潜在兴趣偏好从而增强推荐效果。利用知识图谱辅助推荐的算法存在忽略节点位置结构信息、特定兴趣路径难以设计、携带大量非推荐相关数据等问题。因此,本研究创建电影领域知识图谱并将该图谱作为推荐算法的辅助信息,在此基础上提出了面向电影领域知识图谱的混合策略推荐算法。经过对国内外推荐与知识图谱相结合有关的文献研究发现,知识图谱采用实体-关系三元组对现实物品间的关系进行表示,能够深层次发现用户兴趣,避免单一类型的推荐结果,同时能够增强推荐结果的可解释性,有助于提高用户对推荐系统的信任度。因此,本研究针对知识图谱相关推荐及推荐系统中数据稀疏问题,构建电影领域知识图谱并提出有效的混合策略提高推荐效果,在真实的数据集上设计相关实验进行验证。具体的研究内容包括以下两个部分:1.根据电影相关信息构建电影领域知识图谱并对其进行研究与分析,提出一种融合知识图谱与图片特征的混合策略。该方法增加视觉嵌入、知识嵌入和结构嵌入挖掘用户-项目之间的隐式反馈信息,利用深度游走模型捕获空间结构的方法和波纹网络模型挖掘知识图谱的知识表达,并且考虑图片对用户偏好的影响,有效地将信息进行融合。2.对所提出的混合策略进行研究与分析,引入问答系统对问题关键词约束的方法,提出一种改进的限定实体扩展方法,解决所提出的混合策略中实体多步扩展集合的复杂度问题,极大程度保留知识图谱实体的隐藏信息并缩减实体多步扩展集合,灵活快速的生成推荐所需的知识图谱隐藏信息。实验结果表明,融合知识图谱与图片特征的混合策略在召回率等指标上优于其他对比算法并且有效缓解数据稀疏情况,且通过约束方法对实体扩散进行约束保证推荐效果的同时,能够有效缓解实体扩散数目的极速增长。