随着电信网、广播电视网和计算机通信网三网的服务融合发展,广电系统应用中的内容越来越多,信息过载问题严重,为用户提供精准的推荐内容有利于提升广电服务质量。作为一种辅助信息,知识图谱已经被广泛应用于推荐系统。本文分析广电领域应用场景的特点,尝试将知识图谱引入广电系统领域应用于解决内容推荐问题。论文主要完成了以下四个方面的工作。1.本文提出了融合知识图谱和用户交互特征的广电内容表示算法,将知识图谱和用户交互两方面的信息结合起来学习内容的表示。本文构建时间会话-行为类型矩阵来计算时间-行为会话相似度,根据相似度为每个用户划分个性化的会话长度,抽取用户会话序列。在构建广电内容知识图谱后,在知识图谱上应用node2vec算法抽取内容序列,结合用户基于会话相似度的交互序列作为item2vec模型的输入获得内容的嵌入。这种方法通过分析广电知识图谱和内容表示得到了验证。2.为了解决建模用户偏好的时间漂移进行内容推荐的问题,针对用户兴趣长短期变化的特点,本文提出了融合知识图谱和用户长短期偏好的广电内容推荐算法,即KSHAN（Knowledge-enhanced Sequential Hierarchical Attention Network）算法。该模型将用户行为序列分解为内容序列和行为类型序列,将内容的知识表示和行为类型嵌入进行拼接和卷积网络层映射,提取出融合的行为项特征。将用户的行为项特征引入双层注意力网络捕获用户的兴趣变化,建模用户的长-短期偏好进行推荐。这种方法通过广电系统应用场景数据进行训练得到了有效性验证。3.为了深入挖掘广电场景应用中存在的大量隐式反馈行为信息和动态地捕捉用户偏好,本文提出了融合知识图谱和多态行为序列建模的广电内容推荐算法,即KBT（Knowledge-enhanced Behavior Transformer）算法。该模型进一步地将用户隐式反馈行为类型分化为离散型和连续型的微观行为,并分别从定性和定量两个方面进行向量化,形成加权拼接行为嵌入,再融合内容的知识表示和时间编码,映射为深层次的用户行为项特征。引入Transformer机制来编码用户语义表示并解码用户偏好,对用户语义偏好和目标内容进行点击率预测。通过广电系统应用场景数据进行训练,实验表明该方法超过了所有的基线模型。4.为了将基于知识图谱的广电内容推荐算法应用于广电系统,本文还研究了提出的算法模型的工程实践。通过将算法模型引入实际的广电推荐系统,进行算法运行和测试,验证了算法应用的有效性。