随着国民经济发展,美食种类越来越多样,人们对美食的需求不断扩大,从大量的美食信息中准确直观地为用户呈现符合其多元需求的菜品变得至关重要。推荐系统能够帮助用户花费少量时间找到他们喜欢的菜品,但实际应用中大多数推荐系统采用协同过滤推荐算法,仅利用用户评分数据进行推荐,存在数据稀疏性问题,一定程度上限制了推荐效果。知识图谱中包含丰富的物品语义信息,可以作为一种非常有效的辅助数据丰富对用户或物品的特征描述,将其融入推荐系统中,有助于提高传统推荐方法的效果。本文围绕传统基于协同过滤的美食推荐算法中存在的问题,对基于知识图谱的推荐方法展开研究,设计了一个基于美食知识图谱的个性化菜品推荐模型,包括美食知识图谱的构建、基于知识图谱的用户兴趣建模和融合知识图谱的协同过滤菜品推荐算法三个部分。主要研究内容包括以下三点:（1）基于大众点评等网站的真实菜品数据,构建了美食领域知识图谱。在构建过程中,对知识抽取方法进行研究,针对结构化和半结构化数据特点设计了基于规则的知识抽取方法,对于文本数据设计了基于BERT-Bi LSTM-CRF模型的美食领域命名实体识别方法以解决命名实体识别存在的多别名问题,并采用Bootstrapping抽取实体间关系。（2）为更充分利用知识图谱中包含的丰富知识,提出改进的基于实体属性的用户偏好向量化方法,在采用Trans D方法对美食知识图谱向量化的基础上,计算属性权重,将用户对菜品的兴趣转为对多种属性的关注,实现对用户兴趣更精确和细粒度的表示。（3）针对传统推荐算法的数据稀疏性问题,设计了一种融合美食知识图谱的协同过滤个性化菜品推荐模型（Trans D-MF）,通过计算用户饮食偏好相似性,并引入基于隐式反馈的矩阵分解推荐模型中协同模型训练,结合领域知识图谱丰富的知识增强推荐。在大众点评网的真实美食数据上进行实验,实验结果表明Trans D-MF模型在Top K菜品推荐任务的准确率和召回率上都优于相关的主流推荐算法,验证了模型的有效性。