针对传统推荐系统的数据稀疏和冷启动问题,许多学者开始研究如何利用用户的社会化信息和物品自身的语义信息来提高推荐系统的性能。近年来,社交网络的快速发展为推荐技术带来了丰富的额外信息,用户间的社交关系和信任关系就成为了影响推荐系统性能的重要因素。图卷积神经网络因为能对社交网络这种图数据进行向量化表示而得到了广泛应用。另外,随着知识图谱技术的不断发展,越来越多的推荐系统利用知识图谱中蕴含丰富的物品属性和语义信息来提高推荐算法的准确率。而知识图谱表示学习方法可以将物品的语义信息进行向量化表示然后方便进行各种工作,比如利用向量矩阵进行物品间相似度的计算。基于此,本论文将重点研究基于知识图谱和基于社交网络的推荐算法,将相似用户和相似物品的潜在特征引入推荐系统中来提升推荐准确率。本文的主要研究内容如下:1、针对传统的社会化推荐准确率不高问题,在综合考虑社交网络子图拓扑、用户信任和用户评分相似性等社交网络用户相似度影响因素的基础上,提出了一种融合社交网络用户相似度的社会化推荐算法。算法以传统矩阵分解为框架,首先使用图卷积神经网络对用户社交网络进行学习得到包含社交网络子图拓扑结构和连接关系的用户潜在特征,然后利用社交关系计算用户社会信任度,接着利用评分数据计算用户评分相似性,最后综合使用用户潜在特征、用户信任度和用户评分相似性计算社交网络用户相似度并将其融入矩阵分解中,以此预测用户对预测项目的评分值。Film Trust、Ciao和Epinions等公开数据集上的实验结果表明该算法提高了推荐准确率。2、利用知识图谱基于翻译的表示学习方法,对知识图谱物品实体的语义信息嵌入到稠密低维的向量空间中来进行向量化表示,为推荐系统中的物品提供语义关系信息,然后结合用户-物品交互信息强化物品间的相似度,提出了一种基于知识图谱的社会化推荐算法来提升推荐系统的准确率。该算法在融合社交网络用户相似度的社会化推荐算法的基础上引入了相似物品集的信息来提高推荐性能,在Film Trust数据集上的MAE值和RMSE值分别提升了1.3%和1.6%。