随着影视行业的飞速发展,网络平台已成为大众获取影视信息的重要手段,但普遍存在信息过载的问题。个性化电影推荐可以帮助用户过滤冗余数据,从海量影视信息中获取高质量的电影信息,发掘感兴趣的电影。传统的推荐算法在解决数据稀疏和冷启动问题上仍有很大的改进空间,所以在推荐算法中使用一些辅助信息改善上述问题成为如今推荐系统研究的热点。知识图谱作为一种新兴的辅助方法,为推荐系统的改进提供了新途径。因此,本文针对电影领域,展开了对基于知识图谱辅助电影推荐系统的分析和研究,主要研究内容如下:（1）抽取豆瓣电影网站的网页数据,构建电影领域知识图谱。本文利用网络爬虫工具,构建了电影数据集,实现了电影领域内的实体、关系和属性的划分,将数据导入到Neo4j图数据库中,完成了电影知识图谱的构建。（2）提出了基于知识图谱的电影推荐模型CMKR。该模型通过两阶段的多任务学习框架,结合卷积神经网络和MKR推荐模型,利用卷积神经网络优化向量的初始值,挖掘出更多的用户和电影的特征信息,缓解了数据稀疏问题。采用多任务学习框架,并使用交替训练方法,结合知识图谱和推荐系统,获取用户和电影的特征交互数据。最后根据特征数据计算用户和电影之间的相似度,预测没有交互记录的电影推荐评分,从而减少了系统冷启动问题。实验分析表明,CMKR模型在电影推荐中有良好的表现,并在各项推荐评价指标上均优于对比模型。（3）为对本文提出的模型做进一步的验证,本文最后对电影推荐模型的需求进行分析,设计了一个基于电影知识图谱的推荐原型系统。该电影推荐系统在构建的电影知识图谱数据基础上,应用CMKR推荐模型,面向用户进行个性化电影推荐。