刘伟江　郝一哲

DOI：10.3969/j.issn.1008—0821.2021.09.007

[中图分类号]TP391 [文献标识码]A [文章编号]1008-0821（2021）09-0064-10

随着信息技术的发展，以数据分析为基础的推荐系统应用领域不断拓展，如根据用户信息的购物推荐;针对交互历史数据的音乐、电影推荐等。在现有推荐模型研究基础上，针对以往推荐模型面临的数据稀疏和冷启动、训练数据逻辑关联不足、推荐结果可解释性低等问题，研究人员逐渐将知识图谱技术引入推荐系统中。

知识图谱（Knowledge Graph，KG）概念最早由美国Google公司提出并逐渐发展为一种表达实体间语义关系的知识库工具。现阶段，伴随着互联网技术的进步，许多团体已经构建了包含大量实体信息的知识图谱，如DBpedia、CN-DBpedia、YAGO KG、Freebase KG、Microsoft Satori等通用知识图谱。在推荐系统中引入知识图谱可以丰富项目与项目、用户与用户以及项目与用户的关联信息，并可借助其语义推理功能提取原始输入数据间的逻辑关系，以提高推荐系统的工作性能。此外，由于储存在知识图谱中的实体间语义关系种类具有多样性，推荐系统中某个用户与实体间的交互数据往往可以在知识图谱中从一个项目实体出发，沿着不同的语义关系延伸到不同类型的项目实体，从而扩大用户的潜在兴趣种类和范围，提高推荐系统输出结果的合理性;同时，知识图谱的语义关系与推荐系统的输入数据相结合可提高推荐系统输出结果的可解释性，改善商家推荐服务的接受度与用户满意度。因此，许多学者将知识图谱与推荐系统结合提……