罗承天，叶 霞

火箭军工程大学 作战保障学院，西安 710025

当今互联网承载着各种信息资源，其数据量呈指数级增长。面对海量的互联网资源，用户在获取信息便利性的同时，难以快速准确地选择出感兴趣的内容。推荐系统作为解决“信息过载”问题的有效方法[1]，已经受到大量研究者的关注和研究，并在各个领域得到广泛应用，形成了众多相关成果。比如电影推荐[2]、新闻推荐[3]和商品推荐[4]等。

推荐算法作为推荐系统的核心，目标是通过学习用户信息和用户行为，建模用户的兴趣偏好。其主要可以被分为三类[1]：基于内容的推荐方法、基于协同过滤的推荐方法和混合推荐方法。其中，基于内容的推荐是选择出与用户偏好项目特征相似的项目[5]。协同过滤利用相似用户之间具有相似兴趣偏好的特点，来发现用户对项目的潜在偏好，优点是不需要对项目进行复杂的特征提取[6-7]。协同过滤仅需要利用用户的历史评分数据，因此简单有效。但是，也存在数据的稀疏问题和冷启动问题[7]。且推荐算法对捕捉用户兴趣变化的需求已经超出了传统推荐算法的能力。为此，研究者提出混合算法，结合如用户社交网络信息[8-9]和项目属性[10-11]等辅助信息来解决以上问题。

近年来，将知识图谱作为辅助信息引入到推荐算法逐渐成为了研究热点。知识图谱中节点表示实体，有向边表示实体之间的关系，包含了用户和项目的信息和关联关系，可以更好地捕获用户偏好。……