推荐系统中知识图谱对系统的推荐效果起到很重要的作用，图谱中的知识表示成为影响推荐系统的关键因素，这也成为当前的研究热点之一。针对推荐系统中知识图谱的结构特点，在传统node2vec模型基础上增加关系表示和多元化游走策略，提出一种基于node2vec的知识表示node2vec-side，结合推荐系统知识图谱网络结构，旨在挖掘大规模推荐实体节点间潜在的关联关系，降低表示方式复杂度，提高可解释性。经过时间复杂度分析可知，提出的知识表示方式在复杂度上低于Trans系列和RGCN。在传统知识图谱数据集FB15K、WN18和推荐领域数据集MovieLens-1M、Book-Crossing、Last.FM上分别进行链接预测对比实验。实验结果表明：在MovieLens-1M数据集上，hits@10分别提升了5.5%～12.1%，MRR提升了0.09～0.24；在Book-Crossing数据集上，hits@10分别提升了3.5%～20.6%，MRR平均提升了0.04～0.24；而在Last.FM数据集上，hits@1提升了0.3%～8.5%，MRR平均提升了0.04～0.16，优于现有算法，验证了所提方法的有效性。