移联动互网、人工智能等技术的迅速发展为人们的工作生活带来了很多便利，用户面临着海量的信息，传统的搜索算法只能呈现给用户相同的物品排序结果，无法针对不同用户的兴趣爱好提供相应的服务。信息爆炸使得信息的利用率反而降低，这种现象被称为信息超载 搜索引擎和推荐系统是解决信息过载的代表技术。传统的搜索引擎在本质上来讲是帮助用户过滤和筛选信息，这种方式满足了大多数人的需求，但没有提供个性化的服务。相对于传统搜索引擎来说，推荐系统可以兼顾个性化需求和解决信息过载问题。推荐系统是信息过滤系统的一个子集，目的在于根据用户的喜好、习惯、个性化需求以及商品的特性来预测用户对商品的喜好，为用户推荐最合适的商品， 帮助用户快速地做出决策，提高用户满意度 解决稀疏性和冷启动问题，常用方法是在推荐算法中引入辅助信息作为输入：社交网络、用户/物品属性、图片/视频/音频/文本等多媒体信息、上下文、知识图谱。知识图谱的出现为大数据环境下的推荐系统设计提供了一种有效途径 知识图谱知识图谱作为一种新兴类型的辅助信息近几年逐渐引起了研究人员的关注。知识图谱是一种语义网络，其结点代表实体或者概念，边代表实体/概念之间的各种语义关系。一个知识图谱由若干个三元组组成：(实体，关系，实体)、(实体，属性，属性值) 知识图谱包含实体之间丰富的语义关联，为推荐系统提供了潜在的辅助信息来源。知识图谱在诸多推荐场景中都有应用的潜力，例如电影、新闻、景点、餐馆、购物等。和其它种类的辅助信息相比，知识图谱的引入可以让推荐结果更加具有以下特征
在推荐系统领域，人们关注的往往是用户与项目之间的联系，缺少对用户与用户、项目与项目等之间的相互联系的考虑。基于知识图谱的推荐系统通过将用户与用户、用户与项目以及项目与项目之间相互连接起来，增强数据的语义信息以进一步提高推荐准确度 知识图谱的提出最初是为了优化搜索引擎， 将数据组织成相互链接并且对于其中的每个实体都富含属性标签，实体间存在多种关系，以此来实现搜索引擎的优化。在对其进行深入研究后， 了解到知识图谱的应用不局限于搜索，在诸如智能问答、推荐系统以及金融诈骗领域均有涉猎 基于知识图谱的推荐系统总体框架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，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 基于知识图谱的推荐系统总体框架 基于知识图谱的常见推荐方法
知识图谱特征学习的模型分类两类：基于距离的翻译模型；基于语义的匹配模型 知识图谱特征学习的优点
将知识图谱作为辅助信息引入到推荐系统中可以有效地解决传统推荐系统存在的稀疏性和冷启动问题，将知识图谱特征学习应用到推荐系统中主要通过三种方式 1.依次学习：首先使用知识图谱特征学习得到实体向量和关系向量，然后将这些低维向量引入推荐系统，学习得到用户向量和物品向量 为了将知识图谱引入特征学习，遵循依次学习的框架，首先需要提取知识图谱特征。步骤的方法如下
得到实体特征后，我们的第二步是构建推荐模型，该模型是一个基于CNN和注意力机制的新闻推荐算法
2.联合学习：将知识图谱特征学习和推荐算法的目标函数结合，使用端到端（end-to-end）的方法进行联合学习 在推荐系统中存在着很多与知识图谱相关的信息：结构化知识、图像知识、文本知识 Ripple Network模拟用户兴趣在知识图谱上的传播过程，整个过程类似于水波的传播
3.交替学习：将知识图谱特征学习和推荐算法视为两个分离但又相关的任务，使用多任务学习（multi-task learning）的框架进行交替学习 推荐系统和知识图谱特征学习的交替学习类似于多任务学习的框架。该方法的出发点是推荐系统中的物品和知识图谱中的实体存在重合，因此两个任务之间存在相关性。将推荐系统和知识图谱特征学习视为两个分离但是相关的任务，采用多任务学习的框架，可以有如下优势
基于知识图谱的推荐系统关键技术基于知识图谱的推荐系统综合了知识图谱和传统推荐系统的特点，成为了一个新的研究主题，目前正处于初始发展阶段
基于知识图谱进行推荐的典型案例 基于知识图谱推荐的重点和难点
相关学科数据挖掘、信息检索、计算统计学、认知科学、预测理论、营销学 参考文献知识图谱的推荐系统综述 |
|
|
