针对数据爆炸带来的信息过载问题,推荐算法能根据用户的个人兴趣,从海量的数据中找出符合用户兴趣的信息,因此推荐算法研究显得尤为重要。由于传统推荐算法存在稀疏问题和冷启动问题,导致推荐效果不好。知识图谱作为一种语义网络,包含物品的背景信息以及物品之间的关系,因此将知识图谱与推荐算法相结合能有效解决稀疏问题和冷启动问题,从而提高推荐效果。近年来研究者发现深度学习可以自动从数据中学习到有效的特征表示,使得深度学习在推荐中扮演越来越重要的角色。因此文本围绕知识图谱与深度学习相结合来进行推荐算法研究。已有的研究,在将知识图谱作为异质信息网络用于推荐时,由于实体与不同的关系之间有相同的重要程度,导致推荐结果容易受到关联程度较低关系的影响。因此提出了一种融合协同过滤的权重知识图谱构建方法。在此基础上,利用深度学习的循环神经网络对用户的偏好进行深层次挖掘,提出基于循环神经网络与权重知识图谱的推荐算法（RNWKG）。具体研究内容如下:（1）本文提出了一种融合协同过滤的权重知识图谱构建方法。该方法首先通过基于物品的协同过滤算法学习用户与物品的交互矩阵,得到物品的相似对集合;其次通过在知识图谱中构建路径对物品的相似信息进行解释,得到可解释路径;最后将可解释路径作为先验信息融入到知识图谱中,构建出权重知识图谱。同时,设计实验验证该方法的有效性。（2）为解决数据稀疏、冷启动和用户偏好在知识图谱传播过程中噪声太多的问题,本文结合基于嵌入和基于路径的知识图谱推荐方法的优点,提出基于循环神经网络与权重知识图谱的推荐算法。该算法首先通过权重控制用户偏好在知识图谱中的传播方向,去除噪声的同时避免了训练输入样本的庞大,提升训练效果与效率;其次利用知识图谱的表示学习将实体嵌入到低维向量,充分保留知识图谱原有的语义结构信息;最后利用循环神经网络对偏好数据进行深层次的挖掘,预测用户对物品的点击概率,从而生成推荐结果。同时,通过在电影和图书数据集上进行对比实验,证明算法的有效性。（3）本文在上述研究的基础上,设计并实现电影推荐系统,将RNWKG算法应用到推荐系统中,为用户提供个性化的电影推荐服务。该系统包括用户模块、管理员模块、推荐模块。