伴随着因特网和各类信息技术的蓬勃发展,世界已经从信息匮乏时代迈向信息过量时代,促使越来越多的研究者把目光投向于对推荐系统的研究,希望借助推荐系统的力量来帮助人们自动过滤信息,降低信息筛选成本。在本文中,我们将研究视角聚焦到具体的饮食领域。吃穿住行是人们日常消费的四大领域,其中“吃”被排在第一位,足以说明其重要性。为了满足用户饮食决策需求以及指导用户进行烹饪,诞生了各种各样的食谱网站,他们精心搜集食谱,花费大量时间去验证食谱的可靠性,然而,用户在浏览食谱网站时存在的最大问题在于面对海量的食谱,很难快速获取适合自己的内容。食谱网站作为拥有大量食谱内容和用户信息的站点,却很少对食谱本身以及用户历史行为进行充分挖掘,为用户提供个性化食谱推荐。针对该问题,本文提出RKGR模型（Recipes Knowledge Graph Recommendation Model）,在建立饮食知识图谱的基础上,将该模型用于挖掘食谱和用户偏好的潜在关联,满足食谱网站个性化推荐的需求。本文主要工作有:（1）构建饮食领域知识图谱。从国外食谱网站爬取大量食谱数据及用户历史信息,经过知识图谱本体构建,深度学习知识抽取,Bi LSTM-CRF算法进行食谱特征补充等步骤,构建具有丰富实体和关系的饮食知识图谱,为饮食领域的个性化推荐提供数据基础;（2）构建了基于饮食知识图谱的推荐算法。该算法对用户历史评价数据和发布的食谱进行充分挖掘,将其中的实体进行抽取并构建子图,利用基于自然语言的多通道卷积技术对用户的偏好进行建模,最终使用深度神经网络得到某个候选食谱会被用户喜欢的概率;（3）通过实验验证RKGR模型的优越性。在饮食知识图谱数据集上,我们设计了四组不同的对比实验,并对实验结果进行了分析,验证该模型的科学性以及合理性。综上所述,本文为解决食谱网站推荐效果准确率低的问题提供了一种新思路,帮助网站以更快更精准的方式向用户推荐符合其自身偏好的食谱,满足用户饮食个性化需求。