随着云计算和互联网技术的发展,网络中信息数据呈爆发式增长,用户难以从海量数据中发现自己需要的信息。在此背景下推荐系统应运而生,然而传统的协同过滤推荐存在着冷启动、数据稀疏性等问题。为解决这些问题,本文针对推荐系统做了以下的研究工作:（1）提出了一种基于知识图谱的LSH-CF推荐算法,通过融入物品语义信息解决数据稀疏性问题,从而提高推荐准确率。此外为解决用户相似度计算中的大数据问题,采用局部敏感哈希技术降低计算的时间复杂度。首先,引入知识图谱模型来扩展物品语义。然后使用改进后的图嵌入算法提取物品语义并获取用户偏好特征。最后,提出了一种基于局部敏感哈希的协同过滤推荐方法来处理用户向量并生成推荐列表。通过对比实验分析,证明了该方法在准确率指标上优于传统的推荐方法,并且在长尾推荐方面具有良好的性能。（2）设计了一种将知识图谱与图神经网络以及用户个性化与张量分解相融合的混合推荐模型,并将其应用在电影个性化推荐系统中。首先,提出了一种图形结构的用户个性化网络,通过使用用户对电影的评分,导演、电影风格、演员等关系来描述用户、电影和其他实体。然后,通过学习他们自己的关系结构,使用基于随机游走的神经网络来生成用户个性化的矢量表示。最后,通过将这些用户个性化特征视为评分张量的第三维,基于动量随机梯度下降的张量分解可用于学习和预测用户对电影的评分,并把高分且未看过的电影推荐给用户。与多种基线推荐算法进行实验对比,证明了该推荐模型的有效性。