文 峰，曹 雄，黄海新，闫啸云

(1.沈阳理工大学 信息科学与工程学院，沈阳110159；2.中国石油大学 信息科学与工程学院，北京 102249)

推荐系统[1]像很多其他基于海量数据的任务一样受益于深度神经网络的发展[2-3]，而知识图谱作为典型的图结构数据[4]包含着实体到实体之间的关系，这对用户的兴趣分析和建模具有一定的辅助作用。基于矩阵分解的协同过滤(Collaborative Filtering，CF)[5]是商业领域最成功的方法之一，然而，基于CF的方法依赖于用户和项目之间过去的交互，这将导致冷启动问题[6](不推荐没有交互的项目)。为缓解这一问题，研究人员通常会采取一些措施去整合辅助信息，比如社交网络、图片和评论等。

在众多种类的辅助信息中，知识图谱被广泛使用，其以机器可读的头-关系-尾(head-relation-tail)三元组形式组成并包含丰富的结构信息。研究人员先后利用知识图谱在节点分类、句子补全和摘要生成等应用中取得了成功。此后出现了基于知识图谱感知的推荐模型，其中许多都受益于图神经网络(Graph neural network，GNN)[7]捕捉图中的高阶结构并细化嵌入用户和项目的特征。如RippleNet传播用户在知识图谱中潜在的偏好并探索其更深层次的兴趣[8]；图卷积网络(Knowledge Graph Convolutional Networks，KGCN)利用卷积操作来产生高阶的连通性的物品特征[9]；图注意力网络(Knowledge graph attention network，KGAT)使用注意力机制隐式地为图中不同的邻域节点指定权重系数[10]。

由于推荐系统的高维和异质性，在推荐系统中使用知识图谱仍是一个挑战。一种可行的方法是通过知识图嵌入(Knowledge Graph Embedding，KGE)方法先行预处理知识图谱，该方法可将图谱中的实体和关系映射到低维向量表示。……