·212· 智能系统学报 第14卷 3.1数据采集与预处理 关联规则技术B”、贝叶斯网络技术等自动构建 基于知识图谱的推荐系统的实现首先是数据 用户模型，对用户偏好进行计算。由于用户的兴 采集，包括用户信息、交互信息、项目信息、上下 趣是随着时间不断变化的，偏好也会发生转移， 文信息等。其中，用户信息主要是用户注册信 为了获取用户最新的偏好以保证推荐的精确性， 息、交互信息从日志中获取、上下文信息由用户 需要实时对用户偏好进行更新，主要用到的方法 自主录人或者通过传感器获取、项目信息从各大 包括动态偏好建模技术、自适应技术等。 垂直网站及百科网站中获取。在现有文献中， 3.4基于知识图谱的推荐 Gradgyenge等2利用SPARQL语句从DBpedia中 该部分是整个基于知识图谱推荐系统的核 抽取音乐相关数据；Dodwad等o从工作门户网站 心。传统的推荐系统中，例如协同过滤、基于内 中抽取数据。 容的推荐等基本算法同样也可以与基于知识图谱 3.2知识图谱的构建 的推荐系统结合。在该过程中，主要是把知识图 知识图谱构建过程主要包括四个阶段：信息 谱作为一个语义丰富、逻辑推理能力强的数据集 抽取、知识融合、知识加工、知识更新。信息抽取 融入到推荐生成过程中。本文第2节已经从基于 阶段旨在从异构数据源中自动抽取信息得到候选 本体、基于LOD以及基于图嵌入的推荐生成3个 知识单元，相关技术有实体抽取、关系抽取、属性 方面对基于知识图谱的推荐进行了考察。其中不 抽取。如Liu等B利用K-最近邻算法和条件随机 仅涉及到传统的推荐算法，还包括图算法、相似 模型，实现了对Twitter文本数据中实体的识别。 性度量、贝叶斯网络等相关机器学习算法的应 知识融合阶段的目的是消除概念的歧义，剔除冗 用。尤其是，文献[24]中结合最短路径和K步马 余和错误概念，从而保证知识的质量，它包括实 体链接和知识合并。比如苹果既可以代表水果也 尔科夫链完成推荐任务；文献[18]中结合基于内 可以代表苹果公司，必须增加更多的描述信息来 容的推荐算法为用户进行推荐；文献[40]通过结 加以区别，用户的点击操作可以采用二进制量化 合贝叶斯网络生成推荐列表。 表示。文献[21]利用Babelfy,对给定的单词返回 3.5推荐效用评价 相关的wordNet以及相关的维基百科页面。想 效用评价在整个推荐流程中非常重要。朱郁 要得到结构化、网络化的知识体系，还需要经历 筱等对推荐系统的评价指标进行了综述，从准 知识加工的过程。它包括三方面内容：本体构 确度、基于排序加权、覆盖率以及多样性指标等 建、知识推理和质量评估。如Wang等B利用跨 4个方面来对系统进行评价。 语言知识链接方法来构建中英文本体库，使二者 在基于知识图谱的环境下，推荐系统的多样 相互确认，从而提高了中文与英文关系的准确 性受到更多关注。Vargas等基于多样性提出了 度。知识图谱的内容也需要与时俱进，因此需要 3个指标：选择、发现和相关性。 不断的更新迭代，但目前的技术更新起来十分困 4基于知识图谱的推荐系统应用进展 难B。 3.3用户偏好获取 基于知识图谱的推荐系统具有两个鲜明的特 推荐系统用户偏好的获取不仅受到项目本身 征：语义丰富、个性化，从而使其在工业领域具有 影响还会受到上下文影响。目前关于上下文的定 广阔的应用前景。本节就基于知识图谱的推荐系 义，还没有一个统一的说法，这里引用王立才等四 统的应用进展进行总结分析，表1中列举分析了 给出的定义“上下文就是指任何可以用来描述实 些典型案例。 体情况的信息，其中实体是指用户与应用程序交 1)旅游推荐 互相关的客体，也包括用户和应用程序本身”。 旅游推荐近年来获得越来越多的关注。旅游 用户偏好的获取是为了有针对性地为用户提 推荐不仅包括旅游景点的推荐，还涉及周边服 供服务，为用户提供量身打造的个性化推荐。一 务。传统的推荐系统主要以列表的形式向用户展 般用户偏好的获取分为显式偏好获取和隐式偏好 示推荐的内容，而在旅游推荐中，为了使用户更 获取。显式偏好获取需要用户提供自身的属性信 清楚地了解推荐项目的信息，可以选择基于地图 息或者偏好信息，其精确性与用户的反馈信息和 的方式来展示推荐内容。典型的案例有：文献[13] 准确度有关。隐式偏好获取是指收集和记录用户 将本体与传统的推荐算法结合为用户做出推荐 历史行为，并采用聚类技术B、神经网络技术B6、 首先根据注册信息构建用户画像计算用户兴趣度3.1 数据采集与预处理 基于知识图谱的推荐系统的实现首先是数据 采集，包括用户信息、交互信息、项目信息、上下 文信息等。其中，用户信息主要是用户注册信 息、交互信息从日志中获取、上下文信息由用户 自主录入或者通过传感器获取、项目信息从各大 垂直网站及百科网站中获取。在现有文献中， Gradgyenge 等 [29]利用 SPARQL 语句从 DBpedia 中 抽取音乐相关数据；Dodwad 等 [30]从工作门户网站 中抽取数据。 3.2 知识图谱的构建 知识图谱构建过程主要包括四个阶段：信息 抽取、知识融合、知识加工、知识更新。信息抽取 阶段旨在从异构数据源中自动抽取信息得到候选 知识单元，相关技术有实体抽取、关系抽取、属性 抽取。如 Liu 等 [31]利用 K-最近邻算法和条件随机 模型，实现了对 Twitter 文本数据中实体的识别。 知识融合阶段的目的是消除概念的歧义，剔除冗 余和错误概念，从而保证知识的质量，它包括实 体链接和知识合并。比如苹果既可以代表水果也 可以代表苹果公司，必须增加更多的描述信息来 加以区别，用户的点击操作可以采用二进制量化 表示。文献[21]利用 Babelfy，对给定的单词返回 相关的 wordNet[32]以及相关的维基百科页面。想 要得到结构化、网络化的知识体系，还需要经历 知识加工的过程。它包括三方面内容：本体构 建、知识推理和质量评估。如 Wang 等 [33]利用跨 语言知识链接方法来构建中英文本体库，使二者 相互确认，从而提高了中文与英文关系的准确 度。知识图谱的内容也需要与时俱进，因此需要 不断的更新迭代，但目前的技术更新起来十分困 难 [34]。 3.3 用户偏好获取 推荐系统用户偏好的获取不仅受到项目本身 影响还会受到上下文影响。目前关于上下文的定 义，还没有一个统一的说法，这里引用王立才等[12] 给出的定义“上下文就是指任何可以用来描述实 体情况的信息，其中实体是指用户与应用程序交 互相关的客体，也包括用户和应用程序本身”。 用户偏好的获取是为了有针对性地为用户提 供服务，为用户提供量身打造的个性化推荐。一 般用户偏好的获取分为显式偏好获取和隐式偏好 获取。显式偏好获取需要用户提供自身的属性信 息或者偏好信息，其精确性与用户的反馈信息和 准确度有关。隐式偏好获取是指收集和记录用户 历史行为，并采用聚类技术[35] 、神经网络技术[36] 、 关联规则技术[37] 、贝叶斯网络技术[38]等自动构建 用户模型，对用户偏好进行计算。由于用户的兴 趣是随着时间不断变化的，偏好也会发生转移， 为了获取用户最新的偏好以保证推荐的精确性， 需要实时对用户偏好进行更新，主要用到的方法 包括动态偏好建模技术、自适应技术等。 3.4 基于知识图谱的推荐 该部分是整个基于知识图谱推荐系统的核 心。传统的推荐系统中，例如协同过滤、基于内 容的推荐等基本算法同样也可以与基于知识图谱 的推荐系统结合。在该过程中，主要是把知识图 谱作为一个语义丰富、逻辑推理能力强的数据集 融入到推荐生成过程中。本文第 2 节已经从基于 本体、基于 LOD 以及基于图嵌入的推荐生成 3 个 方面对基于知识图谱的推荐进行了考察。其中不 仅涉及到传统的推荐算法，还包括图算法、相似 性度量[39] 、贝叶斯网络等相关机器学习算法的应 用。尤其是，文献[24]中结合最短路径和 K 步马 尔科夫链完成推荐任务；文献[18]中结合基于内 容的推荐算法为用户进行推荐；文献[40]通过结 合贝叶斯网络生成推荐列表。 3.5 推荐效用评价 效用评价在整个推荐流程中非常重要。朱郁 筱等[41]对推荐系统的评价指标进行了综述，从准 确度、基于排序加权、覆盖率以及多样性指标等 4 个方面来对系统进行评价。 在基于知识图谱的环境下，推荐系统的多样 性受到更多关注。Vargas 等 [42]基于多样性提出了 3 个指标：选择、发现和相关性。 4 基于知识图谱的推荐系统应用进展 基于知识图谱的推荐系统具有两个鲜明的特 征：语义丰富、个性化，从而使其在工业领域具有 广阔的应用前景。本节就基于知识图谱的推荐系 统的应用进展进行总结分析，表 1 中列举分析了 一些典型案例。 1) 旅游推荐 旅游推荐近年来获得越来越多的关注。旅游 推荐不仅包括旅游景点的推荐，还涉及周边服 务。传统的推荐系统主要以列表的形式向用户展 示推荐的内容，而在旅游推荐中，为了使用户更 清楚地了解推荐项目的信息，可以选择基于地图 的方式来展示推荐内容。典型的案例有：文献[13] 将本体与传统的推荐算法结合为用户做出推荐， 首先根据注册信息构建用户画像计算用户兴趣度 ·212· 智 能 系 统 学 报 第 14 卷