管文豪 张 爽 汪柏乐

（黑龙江大学数据科学与技术学院，黑龙江 哈尔滨 150000）

1 概述

随着信息化的快速发展，基于互联网的电子商务系统发展迅速，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品，这种浏览大量无关的产品和信息的过程会使消费者因信息过载问题而不断流失。因此，推荐系统应运而生。它们通过用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

现有的电商推荐方法可分为三类：基于协同过滤[1]的推荐算法、基于内容的推荐[2]算法以及基于深度学习的推荐算法[3]。利用这些推荐算法都能够给用户推荐出商品。但这些经典的推荐算法向用户推荐商品的过程中，会引入例如稀疏性、冷启动以及“黑箱”等问题，并且推荐结果的解释性不足。为了解决目前推荐算法存在的问题，业界将知识图谱引入到推荐系统中，考虑到了用户和知识图谱的联系，以有效地利用知识图谱来增强推荐系统的性能和效率。知识图谱将现实世界中的实体和关系表达为结构化三元组的形式，三元组描述了一个特定领域中的事实，由头实体、尾实体和描述这两个实体之间的关系组成。为了从知识图谱中有效提取用户和实体之间的联系，更好地挖掘用户的潜在偏好，业界提出基于知识图谱的推荐框架RippleNet[4]。此框架将电商场景下的每个用户和商品，以及商品知识图谱中的实体和关系表示为向量或矩阵，以用户的历史访问记录为兴趣中心，模拟用户的兴趣传播在知识图谱上逐层向外扩散，并且不断衰减的过程，最终预测候选商品的访问概率。……