在大数据环境下,传统推荐方法普遍存在着数据稀疏和冷启动问题。知识图谱作为一种大规模的异构语义网络,具有语义丰富、质量优良、结构友好等特点。许多研究将知识图谱引入推荐系统的研究之中,并基于知识图谱来研究可解释性推荐。然而,已有研究在面临关系稀疏的图谱时,推荐效果往往表现欠佳,并且缺乏一定的可解释性。同时,作为知识利用和创造的纽带,学术领域充斥着大量的知识,需要引入推荐系统来解决信息过载问题。因此,本文以学者为主体,分析学者的研究领域、工作单位以及学者之间的关系,利用学者知识构建知识图谱,并基于知识图谱为用户推荐相关学者,对把握学术动向、科技前沿,以及研究工作的开展和人才的引进有着一定的指导意义和实际应用价值。本文的主要工作如下:（1）学者知识采集及结构化表示。首先,针对学者网的半结构化数据,从中抽取需要的实体、关系和属性;对于非结构化数据,使用实体抽取模型BERT-Bi LSTM-CRF来抽取文本中的实体。其次,根据获取到的两组数据,进行数据预处理并构建三元组,之后利用IPTrans E方法对实体进行对齐。最终,根据三元组数据构建学者知识图谱,并使用Neo4j存储知识。（2）针对基于知识图谱的推荐方法在面临关系稀疏图谱时表现不佳可解释性缺失等问题,本文提出了一种基于知识图谱高阶传播的学者推荐方法（Ho PKG）。首先,使用Tran Sparse模型将学者知识嵌入到向量空间中,获取对应的向量表示。然后,根据学者知识图谱的特点,使用注意力机制计算不同节点之间的注意力得分,从而区分不同实体对目标实体的重要性。同时,基于归纳学习的思想,利用高阶传播机制获取知识图谱中的高阶语义信息,进而生成更丰富的实体表示。在此基础上,提出了一种新的实体聚合器,以进一步完善实体表示,从而获取用户的潜在兴趣。经过实验分析,本文的方法在推荐效果和可解释性上具有一定的优势。（3）基于本文提出的推荐算法设计并实现了面向学术领域的可视化验证系统。根据用户的交互历史记录和检索内容,为用户精准地推荐相关领域学者。此外,设计了可视化的学者关系发现功能,从而为推荐提供可解释性依据。