顾军华，佘士耀，樊 帅，张素琪

(1.河北工业大学人工智能与数据科学学院，天津 300401；2.河北省大数据计算重点实验室，天津 300401；3天津商业大学信息工程学院，天津 300134)

1 引言

随着互联网的发展，信息量呈爆发式的增长，人们面临的信息量过大，推荐系统应运而生，可帮助用户有效地从纷繁复杂的数据中获取有价值的信息，推荐潜在的兴趣项目。

推荐系统是利用用户与项目之间的二元关系，基于用户历史行为记录或相似性关系帮助用户发现可能感兴趣的项目。传统的推荐系统主要基于协同过滤[1,2]，该类推荐系统会面临稀疏性问题和冷启动问题。因此，人们提出了将知识图谱KG(Knowledge Graph)[3]作为辅助信息的基于知识图谱的推荐系统。在知识图谱中，项目之间丰富的语义关联有助于探索项目与项目之间的潜在联系，提高结果的准确性。知识图谱中各种类型的关系有助于扩展用户的兴趣偏好，并增加推荐项目的多样性。知识图谱连接用户的历史喜好和待推荐项目，从而增强了推荐系统的可解释性。因此，基于知识图谱的推荐系统成为现阶段研究的热点。

基于知识图谱的推荐方法一般利用TransE[4]、TransR[5]等知识图谱嵌入[6]方法将知识图谱中的实体和关系映射到低维向量中[7,8]。这种方法一般严格地进行语义关系建模，更适合知识图谱的补全等图内应用。为了更有效地利用图内结构信息，Yu等[9]提出了PER(PERsonalized entity recommendation: a heterogeneous information network approach)方法，将知识图谱视为异构信息网络进行推荐。Shi等[10]在此基础上设计了多条元路径(meta-path)并在PathSim的基础上融入边信息，获得基于元路径的用户相似度。……