刘 欢，李晓戈*，胡立坤，胡飞雄，王鹏华

（1.西安邮电大学计算机学院，西安 710121；2.陕西省网络数据分析与智能处理重点实验室（西安邮电大学），西安 710121；3.深圳腾讯计算机系统有限公司智能化运维部，广东深圳 518000）

0 引言

随着互联网技术的进步，人们可以获取到大量的在线内容，比如新闻、电影以及各种商品等。但在线信息的爆炸性增长经常让用户不堪重负，推荐系统则是一个有效的信息过滤工具，在减轻信息过载的同时又可以为用户提供良好的体验。推荐系统通常会搜索并选择较小数量的内容来满足用户的个性化兴趣。协同过滤算法是一种经典的推荐技术，它将用户以及物品表示为向量形式，通过特定操作（内积、神经网络［1］等）对它们的交互进行建模；然而，协同过滤算法通常都会面临稀疏性以及冷启动等问题。为了缓解基于协同过滤的推荐系统的稀疏性和冷启动问题，研究人员通常会收集用户和物品的属性，并设计精巧的算法来利用这些额外的信息［2］。

最近的一些研究［3-6］都使用了物品属性来进行建模，这些研究成果表明属性并不是孤立的，而是被相互连接起来的，其中一种形式就是知识图谱（Knowledge Graph，KG）。KG 是一种典型的异构网络，它的每个节点代表一个实体，这些实体可以是物品也可以是属性，两个存在关系的实体由一条边相连。KG拥有丰富的语义关联信息，可以为推荐系统提供丰富的辅助信息。与没有KG 辅助的推荐模型相比，使用KG 辅助的推荐模型可以让推荐结果拥有以下三个特征［7］：1）精确性。……