王临科，蒋祖华+，李心雨

(1.上海交通大学 机械与动力工程学院，上海 200240；2.新加坡南洋理工大学 机械与宇航工程学院，新加坡 639798)

0 引言

随着互联网技术的发展与信息时代的到来，知识已成为企业极具价值的重要资产，通过高效的知识管理手段提供优质的知识服务，对驱动企业产品创新设计、增强企业竞争力至关重要[1]。目前，知识管理系统(Knowledge Management System, KMS)是企业提升自身知识服务能力的主要手段。作为能够收集、处理、共享一个组织全部知识的信息系统，KMS支持具有相似兴趣或专业背景的用户群体，以开放协作的形式共同创造积累和共享利用知识[2]。当用户进行工程任务时，要求KMS能够推送最相关的知识条目，为用户提供有力的技术支撑，而推荐算法的性能决定了知识推送的效果[3]。用户历史行为数据中包含了用户的兴趣偏好，推荐算法可以根据这些数据构建用户兴趣画像，进而从爆发式增长的海量知识资源中为用户筛选出合适的知识条目。传统推荐算法通常基于用户及项目的相似度进行推荐，并仅以提升准确度为目标对算法性能进行评估[4]，在工程知识推荐背景下会导致两方面问题：

(1)为了尽可能提升准确度，推荐算法倾向于推荐与用户历史浏览高度相似的知识条目，导致KMS中仅有少数经常被浏览的“流行知识条目”能够参与推荐。在电商领域，只推荐流行项目也能够满足大部分人的兴趣与需求，因此是可被接受的，但工程用户针对不同的情境会产生特定的知识需求[5]，若仅推荐流行知识条目，会使推荐算法在特定情境下降低甚至丧失其效用。……