·208· 智能系统学报 第14卷 知识图谱的出现为大数据环境下的推荐系统设计 理带来了新的契机，而基于知识图谱的推荐系统 提供了一种有效途径。 也作为一个新的研究领域被人们所关注。 2012年5月17日谷歌正式提出了“知识图 知识图谱的提出最初是为了优化搜索引擎， 谱”这个术语。知识图谱旨在描述真实世界中 将数据组织成相互链接并且对于其中的每个实体 存在的各种实体或概念，以及他们之间的关联关 都富含属性标签，实体间存在多种关系，以此来 系。其中，每个实体或概念用一个全局唯一确定 实现搜索引擎的优化。在对其进行深人研究后， 的D来标识，每个属性-值对用来刻画实体的内 了解到知识图谱的应用不局限于搜索，在诸如智 在属性，而关系用来连接两个实体，刻画它们之 能问答、推荐系统以及金融诈骗领域均有涉猎”。 间的关联。知识图谱可以融合多种数据源丰富数 基于知识图谱的推荐系统主要是利用知识图 据语义信息，并且可以结合推理得到的隐含信息 谱对多源异构数据的整合性，可以对大数据环境 为用户提供服务。随着信息检索、智慧城市阿等 下互联网上的数据进行知识抽取⑧例，得到更加细 应用领域的发展要求，将知识图谱应用于这些领 粒度的用户和项目的特征信息，从而更精准的计 域以提高用户体验和系统性能，成为学术界和工 算用户与用户、用户与项目以及项目与项目之间 业界关注的热点。 的相关性，最后为用户做出推荐。 在推荐系统领域，人们关注的往往是用户与 该推荐有3个组成要素：用户知识图谱、项目 项目之间的联系，缺少对用户与用户、项目与项 知识图谱、推荐方法。在此基础上，我们给出了 基于知识图谱的一个推荐系统模型，如图1所 目等之间的相互联系的考虑。基于知识图谱的推 示。该模型分为客户端和服务器端，客户端收集 荐系统通过将用户与用户、用户与项目以及项目 用户的原始数据（包括浏览数据、上下文数据如 与项目之间相互连接起来，增强数据的语义信息 时间、用户状态等)上传至服务器端进行处理。 以进一步提高推荐准确度，具有重要的研究意义 服务器端一方面从各个垂直网站及百科网站中进 和实用价值，逐渐成为推荐系统研究领域最为活 行相关数据搜集，构建项目知识图谱；另一方面， 跃的分支之一。 对用户偏好进行获取，建立用户知识图谱；此外， 1基于知识图谱的推荐系统 通过分析推理的方法获取上下文信息，利用GPS 定位来获取当前用户地理位置信息等。最后，综 随着互联网上信息的爆发式增长，对于多源 合上述信息，通过推荐产生器向目标用户推送其 异构数据的挖掘是推荐系统中的关键问题。知识 感兴趣的项目，并基于用户反馈对推荐性能进行 图谱的提出为推荐系统中多源异构数据的整合处 评估，进一步调整推荐产生器，以适应用户偏好。 互联网 获取上下文 数据采集 项目知 上下文 提取偏好 识图谱 用户知 识图谱 推送 基于本体、LOD、图 目标用户 被推荐项目 嵌入的推荐 反馈 →性能评估 调整 客户端 服务器端 图1基于知识图谱的推荐系统总体框架 Fig.1 The overall framework of recommender system based on knowledge graph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。 2012 年 5 月 17 日谷歌正式提出了“知识图 谱”这个术语[4]。知识图谱旨在描述真实世界中 存在的各种实体或概念，以及他们之间的关联关 系。其中，每个实体或概念用一个全局唯一确定 的 ID 来标识，每个属性−值对用来刻画实体的内 在属性，而关系用来连接两个实体，刻画它们之 间的关联。知识图谱可以融合多种数据源丰富数 据语义信息，并且可以结合推理得到的隐含信息 为用户提供服务。随着信息检索、智慧城市[5]等 应用领域的发展要求，将知识图谱应用于这些领 域以提高用户体验和系统性能，成为学术界和工 业界关注的热点。 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，具有重要的研究意义 和实用价值，逐渐成为推荐系统研究领域最为活 跃的分支之一。 1 基于知识图谱的推荐系统 随着互联网上信息的爆发式增长，对于多源 异构数据的挖掘是推荐系统中的关键问题。知识 图谱的提出为推荐系统中多源异构数据的整合处 理带来了新的契机，而基于知识图谱的推荐系统 也作为一个新的研究领域被人们所关注。 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[6]。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[7]。 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。在此基础上，我们给出了 基于知识图谱的一个推荐系统模型，如图 1 所 示。该模型分为客户端和服务器端，客户端收集 用户的原始数据 (包括浏览数据、上下文数据如 时间、用户状态等) 上传至服务器端进行处理。 服务器端一方面从各个垂直网站及百科网站中进 行相关数据搜集，构建项目知识图谱；另一方面， 对用户偏好进行获取，建立用户知识图谱；此外， 通过分析推理的方法获取上下文信息，利用 GPS 定位来获取当前用户地理位置信息等。最后，综 合上述信息，通过推荐产生器向目标用户推送其 感兴趣的项目，并基于用户反馈对推荐性能进行 评估，进一步调整推荐产生器，以适应用户偏好。 基于本体、LOD、图 嵌入的推荐 交互 目标用户 互联网 项目知 识图谱 客户端 服务器端 性能评估 调整 推送 反馈 上传 数据采集 上下文 提取偏好 获取上下文 用户知 识图谱 用户 对象 被推荐项目 图 1 基于知识图谱的推荐系统总体框架 Fig. 1 The overall framework of recommender system based on knowledge graph ·208· 智 能 系 统 学 报 第 14 卷