在文本推荐中,文本中的关键词在文本集上出现次数较少,导致文本信息的缺失进而影响推荐效果。将这些词语看做知识图谱中的实体,则能够通过知识图谱中对实体的描述解决这类信息缺失问题;而实体链接作为连接结构化的知识图谱信息和无结构化的文本信息的桥梁,能够抽取出文本中的实体并链指到知识图谱上,从而能够基于知识图谱分析文本内容,这将有助于解决文本推荐中低频关键词导致的信息缺失问题。综上所述,本文以知识图谱为中心,以文本推荐为目的,研究基于知识图谱的文本知识分析问题以及基于知识图谱的文本知识利用问题。本文的主要工作如下:1)在文本知识分析方面,本文研究实体链接技术对文本中的实体进行抽取。本文认为实体链接中的实体排歧与实体识别应当协同预测,因此本文首先构建了基于神经网络的实体识别模型;然后构建了基于神经网络的实体排歧模型;最终构建了实体识别与排歧的协同预测模型,减小误差传递,提升实体链接的效果。2)在文本知识的利用方面,本文研究利用文本中的知识图谱信息解决推荐问题。由于文本中关键词的低频特点,基于词语共现的文本建模方法并不能有效的挖掘到这些关键词的信息,进而影响推荐的效果。知识图谱作为文本集以外的知识源,通过将文本中的关键词链接到知识图谱中,能够挖掘关键词的信息。因此,本文在文本推荐中引入知识图谱,从实体的角度出发,通过高斯混合模型对文本主题进行分析,得到基于实体的主题模型;通过矩阵分解的方法对用户行为进行建模,通过翻译模型对知识图谱建模;最终提出了基于用户行为、文本主题分析以及知识图谱表示的协同学习模型。通过实验验证,在实体链接方面,实体识别与排歧的协同预测方法在F1值上相较于两个任务独立预测取得了提升;在文本推荐方面,通过加入知识图谱的信息使得文本推荐在召回率指标上得到了提升。