当今社会最为火热的词汇就是大数据,它不仅受到学术界的研究,也被政府所追捧,更得到商界的高度重视。整个社会进入了“大数据”时代,数据似乎成了促进社会发展的最强大动力。本文通过介绍了具有高比例大数据且价值巨大但难以收集,分析和应用的暗数据,着重分析了推荐暗数据应用的方式和方法,同时,互联网上每天都有爆炸式增长的信息,个性化的服务推荐系统可以让用户快捷、方便地得到想要的信息。本课题采用用户移动端相册作为暗数据集。首先,采用实体关系抽取的办法将非结构化的短文本构建成三元组的形式,然后通过知识融合的办法将相似或者相同节点进行融合,建立知识图谱。接着使用改进的TextRank算法得到的关键词在经过Word2Vec训练后得到的主题模型中表示为词向量,将其中的待消歧实体与WikiPedia语料库得到候选实体集进行相似度对比,得到最终的候选实体,完成实体消歧。通过与外部知识库融合,得到本地个性化知识库。并使用PTransE算法对关系路径进行三元组构建,将实体和关系嵌入到低维空间中。通过AP算法,对现有知识图谱边的关系进行聚类,实现对知识图谱的补全和预测。并基于以上研究成果,设计并开发了基于暗数据的服务推荐原型系统,实现个性化服务推荐。由于互联网中的数据大多都是以非结构化的形式存在,没有统一的标准进行表达,因此在数据获取、清理上存在很大困难。在构建知识图谱阶段,我们定义并维护了一个用户词典来实现对自然语言处理工具无法有效识别的网络词语,从而更方便地进行实体关系抽取。在实体消歧阶段,我们创新性地使用了以TF-IDF为加权因子的改进TextRank算法。对于链路预测方面,我们使用基于翻译的表示学习方法完成对知识图谱的关系路径构建三元组,并将它嵌入到低维空间中。最后,本课题通过一系列实验有效地证明了所用方法的可行性,通过设计服务推荐系统实例证明了本课题的意义。