随着信息技术的飞速发展,人类社会进入了一个大数据时代,深刻地改变了人们的生产与社会生活。Web2.0时代,互联网空间中各类应用层出不穷,引发了数据规模呈指数增长形式加速倍增。人们无法有效地从海量数据中获取有价值的信息,导致信息过载问题。推荐系统作为一种重要的信息过滤手段,是当前解决信息过载问题最有效的方法。然而,传统的推荐技术在面临数据稀疏等问题时,其推荐性能往往会急剧下降。近年来,知识图谱技术在学术界和工业界吸引了大量的研究,已被广泛应用于语义搜索和推荐系统等领域并取得重要突破。由于知识图谱中包含了丰富的实体及实体间的关联信息,可以为推荐系统提供潜在的辅助信息,增强推荐算法的挖掘能力,从而能够有效地缓解推荐系统的数据稀疏性问题。然而,基于知识图谱的推荐系统仍面临着一些问题和挑战。一方面,虽然知识图谱表示学习可以在低维空间高效计算实体和关系的语义联系,但是现有的知识表示学习模型更多地关注知识图谱的三元组结构信息,还有大量诸如实体和关系的描述信息、类别信息等与知识有关的异构信息没有得到有效利用。另一方面,如何将领域知识融入到推荐模型中提升推荐模型的语义表达能力,从而应对面向特定领域的推荐任务,将成为影响推荐性能的关键挑战。针对上述问题和挑战,本文对面向领域的知识图谱构建技术、多源信息融合的知识表示方法、以及知识图谱在个性化推荐中的应用进行研究,主要工作包括:(1)构建了面向电影领域的知识图谱。通过对电影领域的知识进行抽象实现本体库的构建;利用知识抽取技术进行数据层的填充;采用Neo4j完成知识图谱的存储。能够为下游的电影推荐任务提供丰富的语义信息支持。(2)提出了一种融合知识图谱关系描述信息的知识表示方法。通过卷积神经网络获取关系的文本表示,并将知识库三元组表示和关系文本表示进行联合学习。针对电影知识图谱的知识特点,设计融合关系描述和实体描述的知识表示方法,能够充分利用丰富的文本描述信息,提升知识图谱的语义表示,增强推荐算法的挖掘能力。(3)在电影知识图谱构建和知识表示学习的基础上,将知识图谱中的关系以及实体描述信息的语义知识融入到深度知识感知网络(Deep Knowledge-Aware Network,DKN)模型中,并将其应用于电影推荐任务,提升了电影推荐的性能。