Um problema clássico que frequentemente compromete a qualidade de sistemas de recomendação (srs) é a esparsidade de dados sobre as interações dos usuários com os itens a serem recomendados. a representação de conhecimento acerca dos usuários e dos itens (p.ex., no domínio do filmes, atores, diretores e gêneros), também chamado de informações laterais, por meio de ontologias e grafos de conhecimento (gc) se mostrou eficaz para contornar esse problema. no entanto, o crescimento do gc em termos de tamanho e complexidade dá origem a muitos desafios, incluindo a demanda por algoritmos de alto custo para lidar com grandes quantidades de dados parcialmente irrelevantes e ruidosos. enquanto isso, embora a sumarização de grafo (sg) tenha se tornado popular para dar suporte às tarefas de visualização e consulta de gc, seu uso ainda é relativamente inexplorado no domínio de sr baseado em gc. esta tese investiga os impactos da representação e sumarização do conhecimento em sistemas de recomendação, tanto a nível de eficiência como de eficácia. a eficácia neste contexto está relacionada à qualidade da recomendações geradas, e eficiência, por sua vez, está relacionado ao custo computacional. para isto, esta tese realiza um estudo que analisa variações desta representação baseadas em ontologias e outro que analisa a sumarização desta representação baseada em gcs. primeiro, esta tese propõe um arcabouço conceitual para construção de srs baseados em ontologia, que permite especificar os diferentes aspectos (características) dos itens e as hierarquias de entidades que ordenam estes aspectos. além disso, este arcabouço contribui para a independência de domínio do sr, separando o conhecimento em ontologias de diferentes níveis de abstração. experimentos iniciais demonstram que a especificação de múltiplos aspectos e múltiplas hierarquias tem o potencial de melhorar a eficácia de srs e motivaram uma nova proposta. segundo, esta tese propõe um método de sg que combina emph{embeddings} de gc com clusterização de nodos, que é adotado como uma etapa do pré-processamento de srs para condensar a informação lateral representação como gc. este método adota duas abordagens: a única-visão, que sumariza o gc como um todo, e multi-visão, que separa o gc em múltiplas visões, sumariza cada visão e, então, unifica-as em um único sumário de gc. estas visões são subgrafos do gc contendo entidades relacionadas a um determinado aspecto de item. experimentos avaliam o impacto de ambas as abordagens de sumarização na eficiência de treinamento e eficácia de quatro srs baseados em gcs, adotando dois conjuntos de dados baseados em movielens 1m contendo informação lateral coletada em imdb e dbpedia. os resultados mostram que a sumarização do gc pode acelerar o processo de recomendação sem mudanças significativas na eficácia da recomendação, que varia de acordo com a abordagem, a taxa de sumarização e o sr.