杨 辉，闭应洲，庞健婵，武文霖，王志远

(南宁师范大学 计算机信息工程学院，广西 南宁 530199)

0 引言

随着互联网与大数据技术的飞速发展，可获取的信息随之海量增长，互联网用户在快速增加，用户对个性化信息的获取、使用等需求也与日俱增，单靠检索功能已无法满足两者增长的要求，个性化推荐系统的出现能满足这方面的要求。作为至今最经典的推荐算法之一的协同过滤算法已被广泛应用于电子商务、线上商城、视频网站、社交应用等网络平台的信息获取或商务活动中。随着越来越多学者投入研究，协同过滤算法的应用技术会更成熟，作用也会越来越大。

传统的协同过滤算法分为基于用户的协同过滤算法(UserCF)[1]和基于物品的协同过滤算法(ItemCF)[2]，其推荐原理简单来说是根据用户的历史行为计算用户之间、物品之间的相似度并以此作为实现推荐的依据。协同过滤算法推荐依赖于用户的历史行为，而相较于获取用户喜爱的具体物品，获取用户对物品内在属性的偏好会更容易。就电影推荐为例，若用户同时喜欢《星球大战》《星际穿越》《黑客帝国》3部电影，需要获取用户对3部电影的完整评分记录才能为用户提供准确的推荐，而用户对3部电影共有的“科幻”类别的内在偏好则相对更好获取，在面对历史浏览量较大的新用户时，以获取用户对电影类别、导演、主演等偏好来定位用户实现推荐将更为高效。知识图谱[3]作为一个由实体、关系、属性构成的结构化语义网络，提供了物品之间复杂且丰富的语义关联，能在推荐中针对物品的领域知识实现具有针对性的建模。……