·214· 智能系统学报 第14卷 量显著增大。目前主要的解决方法有聚类、数据 recommendation systems in big data[J].Journal of Beijing 集缩减、降维等。在知识图谱中，用户之间、用户 university of posts and telecommunications,2015,38(2): 与项目之间随时随地的信息互动会产生大规模的 1-15. 数据集：将这些数据集融入知识图谱后会急剧增 [4]刘峤，李杨，段宏，等.知识图谱构建技术综述).计算机 加计算复杂度。如何将用户之间产生的数据动 研究与发展，2016.，53(3)：582-600. 态、快速地融入知识图谱并提高推荐系统的可扩 LIU Yu,LI Yang,DUAN Hong,et al.Knowledge graph 展性，是未来需要解决的难点问题。 construction techniques[J].Journal of computer research 6)社交网络7信息的充分利用问题。传统的 and development,2016,53(3):582-600. [5]LUBERG A.TAMMET T.JARV P.Smart city:A rule- 推荐系统假设用户之间是独立同分布的，忽略了 based tourist recommendation system[M]//LAW R. 用户之间的社会交互及联系。知识图谱中用户与 FUCHS M,RICCI F.Information and Communication 户、用户与项目、项目与项目之间都存在一定的 Technologies in Tourism 2011.Vienna,Austria:Springer, 联系，用户不再是单一的用户需要进一步挖掘彼 2011:51-62 此之间的联系以发现更多的隐含信息。因此结合 [6]TONG Rong,XUE Lijuan,WANG Haofen,et al.Building 社交网络关系也是今后的一个研究重点。 and exploring an enterprise knowledge graph for invest- 6结束语 ment analysis[M]//GROTH P,SIMPERL E,GRAY A,et al. The Semantic Web-ISWC 2016.Cham,Germany:Spring- 本文对基于知识图谱的推荐系统研究现状 er International Publishing,2016:418-436. 进行了较为全面的综述。对于基于本体的推荐生 [7]漆桂林，高桓，吴天星.知识图谱研究进展)，情报工程， 成、基于LOD的推荐生成以及基于图嵌入的推荐 2017,31):4-25 生成3类方法，都取得了较好的推荐效果。由于 QI Guilin,GAO Huan,WU Tianxing.The research ad- 每种方法各有优缺点，将多种方法综合起来使用 vances of knowledge graph[J].Technology information en- 是一条有效途径。本文在综合考察这些工作的基 gineering,2017,3(1):4-25 [8]SZEKELY P,KNOBLOCK C A,SLEPICKA J,et al. 础上，给出了基于知识图谱的推荐系统总体框架。 Building and using a knowledge graph to combat human 由于知识图谱只有在达到一定规模时才能发 trafficking[C]//2015 International Semantic Web Confer- 挥较好的效果，因此在利用知识图谱进行推荐 ence on.New York,USA:Springer-Verlag,2015: 之前还存在许多难点问题有待解决。典型的问题 205-221. 包括多源信息融合、知识图谱中用户特征的挖掘 [9]唐晓波，魏巍.基于本体的推荐系统研究综述.图书馆 及潜在需求的分析、多维度推荐、与时间空间推 学研究，2016(18)：7-12.58. 理的结合、用户隐私保护等。此外，近年来兴起 TANG Xiaobo,WEI Wei.A survey of ontology-based re- 的深度学习)、表示学习51、位置感知等也为基 commendation systems[J].Library science studies, 于知识图谱的推荐系统提供了许多可能的改进方 2016(18):7-12.58 向，值得进一步研究。 [10]LI Dongsheng,LV Qin,XIE Xing,et al.Interest-based real-time content recommendation in online social com- 参考文献： munities[J].Knowledge-based systems,2012,28:1-12. [1]XIONG Haitao,LIU Zhengbin.A situation information in- [11]印鉴，王智圣，李琪，等.基于大规模隐式反馈的个性化 tegrated personalized travel package recommendation ap- 推荐[U.软件学报，2014,25(9少：1953-1966 proach based on TD-LDA model[C]//2015 International YIN Jian,WANG Zhisheng,LI Qi,et al.Personalized re- Conference on Behavioral,Economic and Socio-cultural commendation based on large-scale implicit feedback[J]. Computing(BESC).Nanjing,China:IEEE,2015:32-37. Journal of software,2014,25(9):1953-1966 [2]常亮，曹玉婷，孙文平，等.旅游推荐系统研究综述).计 [12]王立才，孟祥武，张玉洁.上下文感知推荐系统).软件 算机科学，2017,44(10)：1-6. 学报，2012,231少1-20 CHANG Liang,CAO Yuting,SUN Wenping,et al.Re- WANG Licai,MENG Xiangwu,ZHANG Yujie.Context- view of tourism recommendation system[J.Computer sci- aware recommendation systems[J].Journal of software. ence,2017,4410:1-6. 2012,23(1)1-20. [3]孟祥武，纪威宇，张玉杰.大数据环境下的推荐系统) [13]NIARAKI A S,KIM K.Ontology based personalized 北京邮电大学学报，2015,38(2)：1-15. route planning system using a multi-criteria decision mak- MENG Xiangwu,JI Weiyu,ZHANG Yujie.A survey of ing approach[].Expert systems with applications,2009,量显著增大。目前主要的解决方法有聚类、数据 集缩减、降维等。在知识图谱中，用户之间、用户 与项目之间随时随地的信息互动会产生大规模的 数据集；将这些数据集融入知识图谱后会急剧增 加计算复杂度。如何将用户之间产生的数据动 态、快速地融入知识图谱并提高推荐系统的可扩 展性，是未来需要解决的难点问题。 6) 社交网络[47]信息的充分利用问题。传统的 推荐系统假设用户之间是独立同分布的，忽略了 用户之间的社会交互及联系。知识图谱中用户与 户、用户与项目、项目与项目之间都存在一定的 联系，用户不再是单一的用户需要进一步挖掘彼 此之间的联系以发现更多的隐含信息。因此结合 社交网络关系[48]也是今后的一个研究重点。 6 结束语 本文对基于知识图谱的推荐系统研究现状 进行了较为全面的综述。对于基于本体的推荐生 成、基于 LOD 的推荐生成以及基于图嵌入的推荐 生成 3 类方法，都取得了较好的推荐效果。由于 每种方法各有优缺点，将多种方法综合起来使用 是一条有效途径。本文在综合考察这些工作的基 础上，给出了基于知识图谱的推荐系统总体框架。 由于知识图谱只有在达到一定规模时才能发 挥较好的效果，因此在利用知识图谱进行推荐 之前还存在许多难点问题有待解决。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。此外，近年来兴起 的深度学习[49] 、表示学习[50] 、位置感知等也为基 于知识图谱的推荐系统提供了许多可能的改进方 向，值得进一步研究。 参考文献： XIONG Haitao, LIU Zhengbin. A situation information in￾tegrated personalized travel package recommendation ap￾proach based on TD-LDA model[C]//2015 International Conference on Behavioral, Economic and Socio-cultural Computing (BESC). Nanjing, China: IEEE, 2015: 32–37. [1] 常亮, 曹玉婷, 孙文平, 等. 旅游推荐系统研究综述[J]. 计 算机科学, 2017, 44(10): 1–6. CHANG Liang, CAO Yuting, SUN Wenping, et al. Re￾view of tourism recommendation system[J]. Computer sci￾ence, 2017, 44(10): 1–6. [2] 孟祥武, 纪威宇, 张玉杰. 大数据环境下的推荐系统[J]. 北京邮电大学学报, 2015, 38(2): 1–15. MENG Xiangwu, JI Weiyu, ZHANG Yujie. A survey of [3] recommendation systems in big data[J]. Journal of Beijing university of posts and telecommunications, 2015, 38(2): 1–15. 刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机 研究与发展, 2016, 53(3): 582–600. LIU Yu, LI Yang, DUAN Hong, et al. Knowledge graph construction techniques[J]. Journal of computer research and development, 2016, 53(3): 582–600. [4] LUBERG A, TAMMET T, JÄRV P. Smart city: A rule￾based tourist recommendation system[M]//LAW R, FUCHS M, RICCI F. Information and Communication Technologies in Tourism 2011. Vienna, Austria: Springer, 2011: 51–62. [5] TONG Rong, XUE Lijuan, WANG Haofen, et al. Building and exploring an enterprise knowledge graph for invest￾ment analysis[M]//GROTH P, SIMPERL E, GRAY A, et al. The Semantic Web-ISWC 2016. Cham, Germany: Spring￾er International Publishing, 2016: 418–436. [6] 漆桂林, 高桓, 吴天星. 知识图谱研究进展[J]. 情报工程, 2017, 3(1): 4–25. QI Guilin, GAO Huan, WU Tianxing. The research ad￾vances of knowledge graph[J]. Technology information en￾gineering, 2017, 3(1): 4–25. [7] SZEKELY P, KNOBLOCK C A, SLEPICKA J, et al. Building and using a knowledge graph to combat human trafficking[C]//2015 International Semantic Web Confer￾ence on. New York, USA: Springer-Verlag, 2015: 205–221. [8] 唐晓波, 魏巍. 基于本体的推荐系统研究综述[J]. 图书馆 学研究, 2016(18): 7–12, 58. TANG Xiaobo, WEI Wei. A survey of ontology-based re￾commendation systems[J]. Library science studies, 2016(18): 7–12, 58. [9] LI Dongsheng, LV Qin, XIE Xing, et al. Interest-based real-time content recommendation in online social com￾munities[J]. Knowledge-based systems, 2012, 28: 1–12. [10] 印鉴, 王智圣, 李琪, 等. 基于大规模隐式反馈的个性化 推荐[J]. 软件学报, 2014, 25(9): 1953–1966. YIN Jian, WANG Zhisheng, LI Qi, et al. Personalized re￾commendation based on large-scale implicit feedback[J]. Journal of software, 2014, 25(9): 1953–1966. [11] 王立才, 孟祥武, 张玉洁. 上下文感知推荐系统[J]. 软件 学报, 2012, 23(1): 1–20. WANG Licai, MENG Xiangwu, ZHANG Yujie. Context￾aware recommendation systems[J]. Journal of software, 2012, 23(1): 1–20. [12] NIARAKI A S, KIM K. Ontology based personalized route planning system using a multi-criteria decision mak￾ing approach[J]. Expert systems with applications, 2009, [13] ·214· 智 能 系 统 学 报 第 14 卷