知识图谱被定义为包含多类型节点和多类型边的多关系图,它实际上是一个语义网络的知识库,如今已广泛地应用在证券投资、搜索、自适应教育、大数据风控、聊天机器人、智能医疗、推荐系统等领域中。如何采取有效的辅助信息去改善协同过滤推荐系统的性能成为研究的热点。目前,改善的主要方法有在推荐系统中引入如深度学习、神经网络、知识图谱等辅助信息,相比其他辅助信息,知识图谱不但能够使实体之间具有更加丰富的语义关系,从而能够更深层地挖掘用户的兴趣,而且可以实现不同种类实体的关系连接,有助于去进行推荐结果的发散,因而在信息推荐技术领域有着相当得天独厚的优势,所以在电影推荐、音乐推荐等应用场景中,将知识图谱和证据理论引入推荐算法中,能够取得不错的效果,本文的主要研究内容如下:（1）对知识图谱的构建技术展开了研究,知识抽取技术不但是构建的第一步,而且是知识图谱质量保障的重中之重,因而本文重点研究了知识抽取的相关技术,包括命名实体识别和关系抽取等,经过综合分析,选取综合性能较优的组合模型去进行知识抽取,从而实现知识图谱的构建任务,为后续的研究打下基础。（2）针对协同过滤推荐系统中因数据过于稀缺和几乎没有用户行为数据而导致推荐效果不佳的问题,本文通过相关研究,提出一种基于知识图谱和证据理论的新方法,具体地,首先需要根据构建技术构建电影知识图谱,然后在用户社交网络中进行社区划分,接着,在每一个社区中研究了知识图谱的偏好传播和证据理论建模的灵活性,并将它们结合到一起,使他们具备了各自的优点,以达到对用户和商品的评分矩阵改进的目的,最终可以通过少数已有的用户和商品交互信息,对用户和商品的未交互信息进行预测。（3）根据前面的相关研究,展开实验和分析。首先,由于不同的构建技术存在着质量差异,因而在实验中验证了不同知识抽取技术抽取能力以及知识图谱构建质量的好坏对推荐性能造成的影响;然后,验证了知识图谱的引入与否给推荐性能带来的影响;最后选择基线进行对比实验,通过分析对比验证了改进模型和方法的可行性。