第2期 常亮，等：知识图谱的推荐系统综述 ·213· 以及置信度，然后依据交互行为结合兴趣度和置 来说比较困难。推荐系统作为处理信息爆炸问题 信度为用户做出推荐，最后结合GIS定位系统利 的手段之一被用于职位推荐中，可以快速地定位 用ICEfaces框架实时更新推荐列表。 用户心仪的职位，帮助用户节省时间。CBDORest 表1基于知识图谱进行推荐的典型案例 中利用基于知识图谱的推荐方法为求职者根据自 Table 1 Typical case for recommendation based on know- 身情况生成职位推荐。目前基于知识图谱的推荐 ledge graph 系统面临许多问题和挑战，使其与具体的商业应 应用典型的推荐知识 用接轨还存在距离。近年来，人工智能、深度学 关键技术 领域 系统 图谱 习、智慧旅游等新技术和应用需求的快速涌现， K-means、基于内容的推荐、基于 为基于知识图谱的推荐系统的应用研究与实践提 旅游 TAResPOI 本体 推荐 协同过滤的推荐技术。 供了良好的机会。以深度学习为例，它能够依据 SMResRn LOD TF-IDF、相似度算法 大数据学习项目以及用户特征，将基于知识图谱 的推荐系统与深度学习结合，将提高推荐准确 CoLRest图 基于实体的邻居项目匹配、基于路 LOD 电影 径的邻居项目匹配 度。此外，广告仍然是互联网企业目前主要的盈 音乐 利模式之一，为相应的用户展示不同的广告，具 ERRes1291 基于内容的推荐技术、遗传算法。 LOD VSM(向量空间模型) 有鲜明的商业价值，极有可能会成为基于知识图 电子 谱的推荐系统的应用实践方向之一。 商务 CBDOResP☒ LOD 传播激活、网络科学 职位 SigTur/E- 5基于知识图谱推荐的重点和难点 本体 重排序、相似度算法 推荐Destination!6 1)对用户偏好的精准建模问题。知识图谱可 2)电影、音乐推荐 以融合多源异构信息，包括丰富的用户信息及用 电影、音乐推荐在基于知识图谱的推荐系统 户与项目的交互信息；如何全面考虑用户与用 中是一个热点，主要的原因在于传统的推荐系统 户、用户与项目之间的联系，进一步提高推荐的 数据集是以音乐以及电影为主。例如。ColRest 准确度，是未来的研究重点。 较早的将知识图谱用于音乐推荐领域，重点是结 2)对大数据的高效处理问题。由于数据生成 合外部链接数据库丰富语义信息。SMRes2则将 速度快，而且多源数据融合过程中引入了更多的 音乐推荐分为两部分歌曲音乐家的推荐以及音 噪声和冗余，使得传统推荐算法中采用的精确计 乐。制作人的推荐通过在Songfacts3和Last.fm4 算方式越来越难以应对，概率模型统计方法将可 收集用户反馈信息以及歌曲数据集，通过基于实 能发挥更为重要的作用。 体的邻居项目匹配、基于路径的邻居项目匹配为 3)推荐系统的效用评价问题。对传统推荐系 用户生成推荐结果。 统的评价指标主要是准确度和效率，通常采用的 3)电子商务 方法有MAE、RMSE、关联度等。这些指标当然 用户在网上购买书籍、服务、食品、衣服等项 也可以用于基于知识图谱的推荐系统，例如文献[16 目时，没有足够的精力去检索、了解项目的详细 采用了准确率和召回率来表征推荐系统的准确 信息，并且随着季节、天气等条件的改变，用户的 度。然而，由于不同领域的推荐系统面临的实际 需求也会有相应的改变。基于知识图谱的推荐系 问题不同，相应地使用了不同的数据集，使得难 统可以融合多源信息，更加充分的挖掘用户和商 以形成统一的效用评价标准。 品之间的潜在关联，将为用户的最终决策提供更 4)如何通过深度挖掘和相关性知识发现提高 有效的支持，这使得电子商务成为基于知识图谱 推荐效果。由于知识图谱本身的特点，相对于因 的推荐系统的主要应用场合。目前国内外相关企 果关系挖掘，其更适合于相关关系挖掘。通过从 业（如亚马逊、阿里巴巴等）已经构建知识图谱并 知识图谱中深度挖掘项目之间、用户之间、以及 应用于各自的电子商务推荐系统中。Gradgy 项目与用户间的深层次关系，获得更多的相关性 enge等2尝试将知识图谱应用于电子邮件销售 结果，有助于为用户进行个性化推荐，在提高推 系统。 荐结果多样性的同时保持较高的推荐准确性的。 4)职位推荐 5)推荐系统的可扩展性。可扩展性一直是推 随着互联网上数据的爆炸式增长，网络上的 荐系统应用中面临的难点问题6。在传统推荐系 信息多而繁杂。对于求职者筛选自己心仪的职位 统中，随着用户与项目数量的增加，会使得计算以及置信度，然后依据交互行为结合兴趣度和置 信度为用户做出推荐，最后结合 GIS 定位系统利 用 ICEfaces 框架实时更新推荐列表。 2) 电影、音乐推荐 电影、音乐推荐在基于知识图谱的推荐系统 中是一个热点，主要的原因在于传统的推荐系统 数据集是以音乐以及电影为主。例如。CoLRes[18] 较早的将知识图谱用于音乐推荐领域，重点是结 合外部链接数据库丰富语义信息。SMRes[21]则将 音乐推荐分为两部分歌曲音乐家的推荐以及音 乐。制作人的推荐通过在 Songfacts3 和 Last.fm4 收集用户反馈信息以及歌曲数据集，通过基于实 体的邻居项目匹配、基于路径的邻居项目匹配为 用户生成推荐结果。 3) 电子商务 用户在网上购买书籍、服务、食品、衣服等项 目时，没有足够的精力去检索、了解项目的详细 信息，并且随着季节、天气等条件的改变，用户的 需求也会有相应的改变。基于知识图谱的推荐系 统可以融合多源信息，更加充分的挖掘用户和商 品之间的潜在关联，将为用户的最终决策提供更 有效的支持，这使得电子商务成为基于知识图谱 的推荐系统的主要应用场合。目前国内外相关企 业 (如亚马逊、阿里巴巴等) 已经构建知识图谱并 应用于各自的电子商务推荐系统中。Gradgy￾enge 等 [29]尝试将知识图谱应用于电子邮件销售 系统。 4) 职位推荐 随着互联网上数据的爆炸式增长，网络上的 信息多而繁杂。对于求职者筛选自己心仪的职位 来说比较困难。推荐系统作为处理信息爆炸问题 的手段之一被用于职位推荐中，可以快速地定位 用户心仪的职位，帮助用户节省时间。CBDORes[15] 中利用基于知识图谱的推荐方法为求职者根据自 身情况生成职位推荐。目前基于知识图谱的推荐 系统面临许多问题和挑战，使其与具体的商业应 用接轨还存在距离。近年来，人工智能、深度学 习、智慧旅游等新技术和应用需求的快速涌现， 为基于知识图谱的推荐系统的应用研究与实践提 供了良好的机会。以深度学习为例，它能够依据 大数据学习项目以及用户特征，将基于知识图谱 的推荐系统与深度学习结合，将提高推荐准确 度。此外，广告仍然是互联网企业目前主要的盈 利模式之一，为相应的用户展示不同的广告，具 有鲜明的商业价值，极有可能会成为基于知识图 谱的推荐系统的应用实践方向之一。 5 基于知识图谱推荐的重点和难点 1) 对用户偏好的精准建模问题。知识图谱可 以融合多源异构信息，包括丰富的用户信息及用 户与项目的交互信息；如何全面考虑用户与用 户、用户与项目之间的联系，进一步提高推荐的 准确度，是未来的研究重点。 2) 对大数据的高效处理问题。由于数据生成 速度快，而且多源数据融合过程中引入了更多的 噪声和冗余，使得传统推荐算法中采用的精确计 算方式越来越难以应对，概率模型统计方法将可 能发挥更为重要的作用[43]。 3) 推荐系统的效用评价问题。对传统推荐系 统的评价指标主要是准确度和效率，通常采用的 方法有 MAE、RMSE、关联度等。这些指标当然 也可以用于基于知识图谱的推荐系统，例如文献[16] 采用了准确率和召回率来表征推荐系统的准确 度。然而，由于不同领域的推荐系统面临的实际 问题不同，相应地使用了不同的数据集，使得难 以形成统一的效用评价标准[44]。 4) 如何通过深度挖掘和相关性知识发现提高 推荐效果。由于知识图谱本身的特点，相对于因 果关系挖掘，其更适合于相关关系挖掘。通过从 知识图谱中深度挖掘项目之间、用户之间、以及 项目与用户间的深层次关系，获得更多的相关性 结果，有助于为用户进行个性化推荐，在提高推 荐结果多样性的同时保持较高的推荐准确性[45]。 5) 推荐系统的可扩展性。可扩展性一直是推 荐系统应用中面临的难点问题[46]。在传统推荐系 统中，随着用户与项目数量的增加，会使得计算 表 1 基于知识图谱进行推荐的典型案例 Table 1 Typical case for recommendation based on know￾ledge graph 应用 领域 典型的推荐 系统 知识 图谱 关键技术 旅游 推荐 TARes[20] 本体 K-means、基于内容的推荐、基于 协同过滤的推荐技术。 SMRes[21] LOD TF-IDF、相似度算法 电影/ 音乐 CoLRes[18] LOD 基于实体的邻居项目匹配、基于路 径的邻居项目匹配 ERRes[29] LOD 基于内容的推荐技术、遗传算法、 VSM(向量空间模型) 电子 商务 CBDORes[22] LOD 传播激活、网络科学 职位 推荐 SigTur/E￾Destination[16] 本体 重排序、相似度算法 第 2 期 常亮，等：知识图谱的推荐系统综述 ·213·