随着互联网技术的持续发展,网络数据内容激增导致信息过载问题严重,给人们有效获取自己所需的信息带来困难。搜索引擎和推荐系统成为解决信息过载的两大有效手段。传统推荐系统存在着可解释性差、推荐内容单一、输入数据稀疏等问题。知识图谱是近年来新兴的研究热点之一。知识图谱有着强大的语义处理能力,是一种新型知识组织与检索技术,其语义网络信息的特点可为各领域带来新颖的研究方向,受到各领域的高度重视。推荐系统与知识图谱的融合,有效解决了传统推荐系统存在的弊端,为推荐系统的研究开拓了新的方向。基于此背景,本文对基于知识图谱的推荐系统在中文电影数据集上的应用展开研究,具体的主要工作如下:（1）基于豆瓣电影数据的知识图谱构建。目前学术界公开的知识图谱中大多数只针对特定的电影数据集如Movielens等,本文针对于可用知识图谱匮乏,且尚未有中文电影知识图谱的状况,展开基于豆瓣电影数据的知识图谱构建工作。利用requests模块、正则表达式模块和bs4模块相结合的方法抓取豆瓣电影的json网页链接存入My SQL数据库;然后对My SQL中的电影信息按照实体-属性-属性名、实体-关系-实体的形式构建Movie表,最后将Movie表中的数据导入图数据库Neo4j中构建知识图谱,并进行了知识图谱的可视化展示。在知识图谱构建的数据抓取过程中,采用了IP池以及多个user＿Agent来规避豆瓣网的反爬虫限制,提高了知识图谱的构建效率。（2）基于知识图谱的电影推荐算法Att Ripple Net。该算法在Ripple Net基础上,引进注意力机制,为用户在知识图谱上的偏好传播向量自动分配权重,解决用户偏好均等传播带来的偏好建模不够准确问题。在对用户的偏好进行建模时,首先将用户与电影的交互评分嵌入向量记为0介响应,随后计算0介响应在知识图谱三元组上的尾实体形成1介向量,重复计算形成H介向量后将每介向量输入注意力机制层,计算用户的注意力权重,更加细粒度的学习偏好向量和目标电影,改善用户的偏好向量,最后通过该算法预测目标电影的评分,产生推荐。实验分析表明,该算法在豆瓣电影数据集上的各项推荐系统评价指标Precision、Recall、F1和AUC值上均优于同类型的基于知识图谱的推荐算法。