推荐系统旨在生成最终用户可能感兴趣的项目的个性化排序列表。随着深度学习在计算机视觉和语音识别领域的空前成功,那么如何将深度学习合理地引入到推荐系统也引发了研究人员的思考。知识图谱,作为一个新的研究热点,包含了丰富的实体语义关联的新型辅助信息。研究人员发现,当知识图谱引入推荐系统,可以达到减少数据稀疏性和冷启动问题,是推荐系统中神经网络良好的辅助剂。在传统的推荐系统中,因其依赖于矩阵分解协同过滤算法进行推荐,不可避免地会出现冷启动和数据稀疏性问题。数据稀疏性问题往往是指在比如大规模电商等平台,用户和项目数量非常大,但是在获得的用户-项目矩阵中,用户平均有交互的项目数量较小,这样就会造成用户-项目矩阵稀疏。而冷启动问题是指如何在没有大量用户数据的情况下为新用户做个性化推荐。数据的稀疏性问题最终会导致无法捕捉到不同用户和不同项目之间的关系,从而降低了推荐系统的准确度。隐式反馈作为表示一种隐式表达,可以通过多种方式获得用户的喜好,而不是仅局限于显示的表达喜爱,从而丰富用户-项目矩阵,进而缓解了数据稀疏性问题。神经网络可以从更高的维度去剖析事物和事物之间的关系,也让数据稀疏性问题得到了改善。冷启动问题归根结底还是数据的信息维度不够。知识图谱中包含了一个事物在现实世界中的事实关系,相当于对于模型中需要训练的数据提供了额外的信息维度,从而一定程度上的解决了冷启动问题。本文提出一种基于隐式反馈数据并融合知识图谱表示学习和神经网络的协同过滤推荐排序框架KNCR。第一点,该框架在传统矩阵分解算法的基础上引入深度学习神经网络,并且在MLP和CNN上分别进行了验证。第二点,该框架使用知识图谱结构化表示学习方法,将从公共知识库中提取的现有语义数据以丰富现有数据集的信息维度,为此,我们提出将知识谱图表示学习过的低维稠密向量作为中间层嵌入的神经协同过滤模型。第三点,为了更贴近于推荐系统的现实意义,我们研究了一种成对排序学习方法,优化了损失函数,提高了模型学习的能力。我们在公开数据集上进行了多组对比实验,结果表明KNCR有效的提高了推荐系统的准确率。