沈 杰，乔少杰，2，韩 楠，元昌安，许源平，覃 晓，王珏岚

（1.成都信息工程大学，成都 610225；2.软件自动生成与智能服务四川省重点实验室，成都 610225；3.广西教育学院，南宁 530007；4.南宁师范大学，南宁 530299；5.四川省医学科学院·四川省人民医院，电子科技大学附属医院，成都 610072）

随着人工智能、云计算与大数据技术以及移动互联网等先进技术的迅速发展，各种信息数据的规模也呈现爆炸式的增长［1］。在享受这些数据带来的便利的同时，需要处理数据量过大而导致的“信息过载”问题。推荐系统则正是解决“信息过载”问题的有效方法之一，可以根据用户以及项目（item）的相关属性找到用户的兴趣点，并且将用户感兴趣的项目以个性化目录的方式推荐给用户［2］。

目前，基于协同过滤的推荐系统考虑到用户与项目的历史交互，然后根据其潜在特征为用户提出推荐建议，已经取得一些效果［3］。但是基于协同过滤的推荐系统通常会面临用户和商户历史交互数据的稀疏性问题及伴随的冷启动问题。为了解决这些局限性，研究人员将诸如用户／项目属性［4］、社交网络［5］、图像［6］、背景［7］等辅助信息纳入基于协同过滤的推荐系统。

在各种辅助信息中，知识图谱（knowledge graph，KG）由于其具有效率极高的事实描述能力以及可解释项目之间的关联信息，得到研究人员的广泛关注。知识图谱是一种定向异构图，其中节点对应于实体，边对应于关系。研究人员已经提出了诸多知识图谱，例如：NELL、Dbpedia、以及诸如Google Knowledge Graph和Microsoft Satori的商业知识图谱。这些知识图谱已成功应用于多个领域，例如知识图谱填充［8］、人机问答［9］、单词嵌入（word embedding）［10］和文本分类［11］。……