互联网技术的快速发展和用户数量的积累,使得网络上的数据信息量呈指数级别的飞速增长。如何使用户在海量数据中获取自己感兴趣的内容,成为了重要的研究课题。在此背景下,推荐系统应运而生。近些年推荐系统在电影领域的应用同样取得了引人注目的成果,但是更多的课题还是在围绕电影推荐进行研究,如何在更加细分的领域做推荐,比如电影角色的推荐,就是非常有价值的研究课题。此外,知识图谱是近年来新兴的研究热点之一。知识图谱中所蕴含的丰富的语义信息,对于改进推荐系统的存在的冷启动和可解释性差的问题有着重要的意义。本文以电影角色推荐算法的研究及系统实现作为研究课题,在电影数据集上展开研究和实验,具体的主要工作如下:（1）本文首先介绍了电影角色推荐的背景和研究意义,并完成了电影领域本体库的构建。然后爬取了电影领域相关数据并完成了电影领域的知识抽取和存储工作。最后完成了电影知识图谱的构建,并对知识存储方式进行了改进,使用图数据库Neo4J来实现知识的存储。（2）本文详细介绍了基于知识图谱的推荐算法RippleNet。通过对RippleNet算法和电影角色推荐应用场景的研究和分析,以及与协同过滤算法和KGCN算法的对比实验,得出RippleNet算法可以较好完成电影角色推荐任务的结论。（3）本文在以上工作的基础之上,完成了电影角色推荐系统的设计与分析工作,包括系统的需求分析、系统总体设计、详细设计,以及电影角色推荐系统的实现和测试。