基于知识图谱的推荐系统研究综述

一、介绍

1、归纳总结基于知识图谱的推荐算法分类

2、分为基于连接的推荐、基于嵌入的推荐和基于混合的推荐

3、关键词：知识图谱：推荐系统：数据挖掘

4、推荐系统作为一种信息过滤系统，通过对大规模群体数据学习，实现用户群体特征匹配，从而帮助用户有效地从海量数据中识别出感兴趣的内容。

5、推荐功能的实现主要依靠协同过滤、聚类模型、关联搜索等计算思维。

传统推荐系统可以分为基于内容的推荐、基于协同过滤的推荐和混合的推荐

二、基于知识图谱的推荐系统

1、知识图谱（Knowledge Graph, KG）是由节点和边组成的语义网络图

   精准、多样和可解释的特点。

2、知识图谱通过整合多源异构信息将丰富的实体关系利用复杂网络表进行表示，基于知识图谱的推荐系统主要利用图内丰富的语义关系、项目链接等信息。

3、基于知识图谱的推荐系统：知识图谱、推荐模块和连接模块三部分。

知识图谱存储丰富的实体语义信息，推荐模块计算用户与项目之间的交互信息，

并通过连接模块，将图谱中的语义信息映射成低维向量结合推荐模块计算实现项目的推荐功能

4、基于连接的推荐：

主要利用知识图谱中实体之间的连接关系来计算节点相似性。

将知识图谱视为一个异构信息网络，然后构建基于节点之间的路径规则进行匹配计算

可解释、可速算的特点。

虽然基于连接的推荐系统实现了对知识图谱网络结构的利用，依赖实体连

接关系完成了内容推荐，但是该方法严重依赖于图谱的连接模式，使用场景有

限，实际应用中需要手动设计元路径

5、基于嵌入的推荐：

由两个模块组成，即图嵌入模块和推荐模块。图嵌入模块实现对于知识图谱的特征学习，推荐模块对图嵌入模块学到的信息进行处理实现内容的个性化推荐。

其中图嵌入模块根据特征学习模型又可以分为两类：基于距离的翻译模型和基于语义的匹配模型。基于距离的翻译模型将实体和关系转化为连续的向量空间，通过评分函数计算测量事实合理的概

率，以此实现对于图谱的学习。

基于语义的匹配模型使用基于相似度的评分函数估计三元组概率，并将实体和关系映射到隐语义空间进行相似度度量。

深度网络推荐作为深度学习与推荐系统的结合，近些年成为推荐领域的前

沿课题。

为知识图谱中的每个实体和关系学习得到一个低维向量的同时保持了图中原有的结构或语义信息，有效解决了基于路径的推荐方法中依赖元路径设计、忽视语义关系的问题

探索如何实现实体间高阶关系的捕捉对于推荐系统的发

展具有一定指导价值。

6、 基于混合的推荐：

通过结合连接与嵌入的思想实现推荐：首先在整个图谱上通过传播的方式获取用户的偏好，然后通过图嵌入对用户偏好进行特征学习，再利用推荐模块实现推荐。

三个经典模型： RippleNet [43] 、 KGCN [44] 和 KGAT [45] 及其衍生系列。

荐结合前面两种推荐思想的优势，既实现了对于知识图谱网络结构中连接关系的利用，又通过嵌入的思想实现实体和关系的低维空间向量表示

也为研究者带来了更大的资源消耗和更复杂的参数调优问题。

三、基于知识图谱推荐系统分析

1、

 但是该类模型需要使用者手动设计元路径，且在实体属于不同领域的使用场景能力有限。

基于嵌入的推荐模型有效降低了知识图谱的高维性和异构性，增强了知识图谱的灵活性并减少了特征工程的工作量，但是该模型进行低维向量映射表示的同时忽视了知识图谱中的信息连通性，使得该类模型无法充分挖掘实体间的高阶语义关系且部分推荐结果缺乏可解释性。

基于混合的推荐模型在利用知识图谱网络结构的基础上实现实体关系的低维映射，通过用户偏好的多跳传播有效挖掘实体间的高阶语义关系， 但模型的复杂也带来了更高难度的调参问题和 更大的计算消耗问题。

 

四、未来工作展望

1、（1） 应用领域扩展。但是在这些领域中如何集成知识图谱，实现对图中语义和连接的深度挖掘仍值得探索。

（2）断网情况下的自动推荐。现有推荐系统多通过对用户数据的线上传输，利用服务器计算实现推荐。如何在设备上断网时进行轻量化学习推荐，并在每次联网状态利用云端进行深入学习，更正轻量化模型参数实现精准推荐；如何降低推荐系统对于网络的依赖性值得思考。

（3）跨领域推荐。在实际场景中，如何聚类来自不同数据源的相同实体并进行推荐意义重大。

比如整合电影数据源与音乐数据源的刘德华，向喜欢刘德华电影的人群推荐刘德华单曲会收获有效的播放量。

（4）多模型推荐。对一个系统集合多种推荐算法，并针对不同的情况选择恰当的软件对于提高运算效率、提高推荐准确度有着一定意义。

（5） 用户隐私保护.在保护用户隐私的同时实现个性化推荐。

五、总结

       知识图谱是一种多源异构信息整合网络，作为推荐系统的知识补全辅助，有效缓解了传统推荐系统的冷启动、可解释、多结果等问题。

       随着未来深度学习、强化学习等技术的发展，基于知识图谱的推荐系统将会得到更多的尝试与发展。但是，随着推荐系统复杂度的增加，系统发展限制因素（如：图谱构建技术）、系统算力消耗、算法冗余等问题同样值得思考。