近些年来,推荐系统成为了应对信息过载的有效方法之一。但是,其性能却一直受到数据稀疏性的制约,因此如何缓解推荐系统中的数据稀疏性引起了大量学者的关注。在此背景下,本文提出了一种将物品知识图谱信息和用户社会网络信息引入协同过滤算法中的推荐模型,并以京剧为例验证该算法的有效性和准确性。具体完成了以下几点内容:1、针对知识图谱信息,本文首先针对表示学习TransE模型不适用于一对多的关系数据的特性,提出了一种DV-TransE模型(Descriptive Vector,DV)。其次,本文通过DV-TransE模型将知识图谱中的语义信息其映射到低维向量空间中,并以此计算物品的相似值。最后,本文将计算得出的相似值引入推荐算法中对物品向量的建模进行约束。2、针对用户社交信息,本文首先基于社交关系具有的传递性对用户的社交矩阵进行扩充。其次,根据现实中用户可能属于多个群体的现象,以扩充后的社交矩阵为基础,本文提出了通过FCM软聚类方法对用户进行社区划分。最后,本文将通过隶属度得到的用户信任度引入协同过滤算法中,最终形成基于知识图谱和社会网络的推荐模型。3、以爬取的京剧知识图谱数据集、京剧-用户交互数据集、用户间社交数据集为基础,验证该算法的有效性。实验表明,本文提出的这种将知识图谱和社会网络引入推荐系统中的算法与传统的协同过滤算法和SVDFeature、TrustWalker相比能有效提高推荐系统性能,缓解数据稀疏性。本文围绕推荐算法展开了较为综合的研究与实践,提出了融入知识图谱表示学习和社会网络信任度的协同过滤推荐模型,并以京剧领域为例,验证了该算法能够有效地提高推荐模型的性能。