科技的飞速发展伴随着数据量的爆炸式增长,“信息过载”成为人们亟待解决的问题之一。个性化推荐系统作为目前广泛使用的信息过滤手段,主动为用户推荐感兴趣的内容,大大缩减了决策时间成本,使人们获得丰富多样的信息服务。知识图谱作为一种多源异构信息,可为推荐算法提供丰富的先验知识,细粒度表征用户或项目之间的语义关联,有效解决数据稀疏性问题,提高推荐系统的性能。然而现今的大多模型主要依靠历史交互无法挖掘到用户的深层兴趣,且新用户的冷启动问题始终是阻碍推荐系统发展的一大难题。针对上述问题本文提出一种改进的用户兴趣模型,并以该模型为算法支撑设计开发了电影推荐系统。具体研究内容如下所示:（1）本文提出融合知识图谱和用户属性的多层兴趣模型（MIKU）。该模型首先以用户的历史交互项目为知识图谱的头实体构建浅层兴趣,结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣;其次考虑到用户兴趣的多样性,针对不同层次的兴趣分别采用自适应加权机制,学习用户对不同行为及兴趣点的偏好权重。在细粒度刻画物品特征的同时,更全面完备地表征用户兴趣,并且结合了用户的属性特征有效解决了冷启动问题。通过在公开的电影数据集验证,结果表明MIKU模型同诸多基准模型相比,在推荐结果的准确率上提高了1.93%～5.59%、召回率上提升了2.95%～4.7%。（2）为证实所提算法的可行性,本文利用豆瓣网站爬取并处理真实数据信息,根据相关技术构建完整的豆瓣电影知识图谱,同时设计和实现了一个基于知识图谱的电影推荐系统。首先以用户体验为原则进行系统需求分析,从数据获取、知识图谱构建和电影推荐系统实现三个模块对整体框架进行设计,并对各模块设计方法进行详细解析。系统具体实现采用Python语言,利用爬虫技术和PyQt5集成库完成基于知识图谱的电影推荐系统开发,同时结合Neo4j图数据库将知识存储并可视化展示。通过对系统进行详细的功能测试和界面优化,在保证用户需求的同时,可利用知识图谱为推荐列表提供一定的可解释性,保证系统的可行性。