随着互联网信息时代的高速发展,信息过载问题日渐突出,个性化推荐系统作为有效缓解信息过载问题的一种方式应运而生。在用户对个性化推荐的精准性需求及市场对推荐系统流量变现需求的双重刺激下,如何进一步提升个性化推荐系统的表现已成为学术界和工业界的研究热点之一。知识图谱作为描述客观世界中实体及其关系的一种信息组织形式,能够有效地增强信息数据的语义信息,进而生成更精准的个性化推荐结果。然而,当前基于知识图谱的推荐系统仍存在诸多问题:1)知识图谱面向通用领域,与推荐场景数据间存在异构表征的问题;2)当前主流的推荐召回算法缺乏与知识图谱结合的相关研究;3)现有基于知识图谱的推荐排序算法忽略了对知识图谱不同邻域信息高阶组合特征的建模;4)面向科技服务资源领域,相关平台缺乏个性化推荐系统的实践落地经验。针对以上问题,本文重点围绕知识图谱在推荐场景下的有效应用,对基于知识图谱的推荐系统展开了探索与研究,主要研究工作包括:1)设计并构建了一种压缩协同知识图谱,并基于此提出并实现了一种基于压缩协同知识图谱的双塔召回模型。通过建立用户与知识图谱邻域的直接联系,建模用户和物品的特征表示,实现个性化推荐召回,并在公开数据集Amazon-book、Yelp2018上于Recall@20指标较先前最优模型提升了 4.30%和9.25%。2)提出并实现了一种基于知识图谱的广度和深度推荐排序框架。该框架从广度维度和深度维度对知识图谱邻域信息实现建模与整合,实现个性化推荐排序,并在公开数据集Amazon-book、Yelp2018和Last-FM上于F1指标较先前最优模型提升了 8.59%、14.36%和15.22%。3)在科技服务资源领域,融合本文提出的个性化推荐召回模型与排序模型,设计并实现了一个面向科技服务资源领域的个性化推荐系统,基于用户历史交互数据与科技服务资源知识图谱,为用户精准地推荐科技服务资源,于实际应用场景中验证了本文所提出算法的有效性。