本发明涉及一种基于知识表示学习的协同矩阵分解方法，属于推荐系统以及表示学习技术领域。针对协同过滤算法中用户反馈数据的稀疏性问题，在物品的知识图谱上进行随机游走采样，学习其向量表示，并在此基础上联合地分解反馈矩阵和物品关联度矩阵，具体基于根据物品的共现情况计算物品的关联度矩阵，然后基于矩阵分解模型采用协同矩阵分解方法联合地分解用户对物品的反馈矩阵和物品的关联度矩阵；最后，两种矩阵共享物品向量，利用物品的语义信息弥补反馈数据的缺失。实验结果表明，该方法显著地提升了矩阵分解模型的推荐效果，在一定程度上解决了协同过滤的冷启动问题。