知识图谱的推荐系统综述 阅读笔记

原文：http://kns.cnki.net/KCMS/detail/23.1538.TP.20180702.1311.002.html?uid=WEEvREdxOWJmbC9oM1NjYkZCbDdrdThWbWhMKzRrSi90N0hDSjBjcVV2bFc=$R1yZ0H6jyaa0en3RxVUd8df-oHi7XMMDo7mtKT6mSmEvTuk11l2gFA!!&v=MjI2NDRGeURrVzd6T0kxWT1QeVBUZXJHNEg5bk1xSTlIWk9zUFl3OU16bVJuNmo1N1QzZmxxV00wQ0xMN1I3cWVidVp0

1 基于知识图谱的推荐系统概述

基于知识图谱的推荐系统主要是利用知识图谱 对多源异构数据的整合性，可以对大数据环境下互 联网上的数据进行知识抽取[8]，得到更加细粒度的 用户和项目的特征信息，从而更精准的计算用户与 用户、用户与项目以及项目与项目之间的相关性， 最后为用户做出推荐。

该推荐有 3 个组成要素：用户知识图谱、项目知 识图谱、推荐方法。

2 基于知识图谱的推荐系统

2.1 基于本体的推荐生成

基于本体的推荐生成技术的优点在 于：能够细粒度化概念之间的上下文关系，增强数 据之间的关联性，可以更加细粒度的分析用户的偏 好。缺点在于：本体的构建费时，因为现阶段主要 还是通过手工构建，在某些特定领域需要专家的参 与。基于本体的推荐的范围过窄，因为通用的大规 模本体少，大多数本体只针对某个具体应用领域构 建的。

2.2 基于 LOD 的推荐生成

基于 LOD 的推荐生成技术主要思路是：将链接 数据库中丰富的语义信息融入到现有的方法中，着 重考虑用户偏好、项目之间属性相似度。通过利用 LOD 中大量相互关联的数据，更加精细化的衡量资 源之间的相似性，挖掘用户的偏好，最后结合上下 文信息生成推荐结果。
基于 LOD 的推荐生成技术优点在于： 数据关联表达很强、逻辑性强并具备一定的推理能 力，可以自动发现一些隐含的语义信息，能够提高 推荐准确度。但是，这种方式也存在缺点：由于推 荐的过程依赖于外部知识库，因此外部知识库的完 备与否对推荐结果的影响巨大，推荐多样性问题以 及计算量大等问题有待解决。

2.3 基于图嵌入的推荐生成

其基本原理是基于随机游 走等算法对图中节点进行采样生成节点序列，然后通 过神经网络或者是其它机器学习算法将节点序列以 及边映射到底维向量空间。

3 基于知识图谱的推荐系统关键技术

3.1 数据采集与预处理

3.2 知识图谱的构建

知识图谱构建过程主要包括四个阶段：信息抽取， 知识融合，知识加工，知识更新。
信息抽取阶段旨在 从异构数据源中自动抽取信息得到候选知识单元，相 关技术有实体抽取，关系抽取，属性抽取。

3.3 用户偏好获取

推荐系统用户偏好的获取不仅受到项目本身影 响还会受到上下文影响。

3.4 基于知识图谱的推荐

3.5 推荐效用评价

3个指标： 选择、发现和相关性

4 基于知识图谱的推荐系统应用进展

• 旅游推荐
• 电影、音乐推荐
• 电子商务
• 职位推荐
  

5 基于知识图谱推荐的重点和难点

• 对用户偏好的精准建模问题
• 对大数据的高效处理问题
• 推荐系统的效用评价问题
• 如何通过深度挖掘和相关性知识发现提高 推荐效果
• 推荐系统的可扩展性
• 社交网络信息的充分利用问题

6 结束语

典型的问题包括多 源信息融合、知识图谱中用户特征的挖掘及潜在需 求的分析、多维度推荐、与时间空间推理的结合、 用户隐私保护等等。