王钰蓥,王 勇

(北京工业大学信息学部,北京 100124)

0 引 言

随着信息社会的飞速发展，人们可以方便地从各种渠道获取到丰富的信息，但在面对庞杂的数据时，很难在较短时间内筛选出有效信息，并做出相应判断。在这种情况下，推荐算法的产生为人们解决了这一难题[1]。推荐算法可以利用互联网工具，在庞大的数据中个性化地提取出有效信息，从而为人们提供精准的服务，以此来满足用户的需求[2]。推荐系统可以在用户无明确需求的情况下，根据用户的历史行为做出合理的推荐[3]。并且在用户使用推荐系统的同时，及时记录下用户的行为数据，为后续推荐提供数据来源。

传统的协同过滤推荐系统[4-6]，主要利用了用户和物品的属性信息，并且依赖用户的行为来进行物品推荐，在算法准确性上有显著的提高，但依然存在冷启动和可解释性等问题[7]。然而，这在提升算法的准确率和召回率方面尤为重要，因此，引入基于模型的推荐算法。基于模型的推荐算法，多是将原始数据信息输入到已构建好的深度学习模型当中，进行模型训练，得出推荐结果。而由于深度学习模型原本就存在一定程度上的不可解释问题，因此引入知识图谱的概念[8]，知识图谱作为先验知识，可以为推荐算法提供语义特征。通过构建专业领域知识图谱，将带有语义的数据输入到模型当中，从而解决模型的可解释性差问题。

目前，基于知识图谱的推荐算法主要是利用知识图谱表示技术或知识图谱元路径提取技术[9-10]。……