基于知識(shí)圖譜的推薦算法研究綜述

羅承天，葉 霞

火箭軍工程大學(xué) 作戰(zhàn)保障學(xué)院，西安 710025

當(dāng)今互聯(lián)網(wǎng)承載著各種信息資源，其數(shù)據(jù)量呈指數(shù)級(jí)增長。面對(duì)海量的互聯(lián)網(wǎng)資源，用戶在獲取信息便利性的同時(shí)，難以快速準(zhǔn)確地選擇出感興趣的內(nèi)容。推薦系統(tǒng)作為解決“信息過載”問題的有效方法[1]，已經(jīng)受到大量研究者的關(guān)注和研究，并在各個(gè)領(lǐng)域得到廣泛應(yīng)用，形成了眾多相關(guān)成果。比如電影推薦[2]、新聞推薦[3]和商品推薦[4]等。

推薦算法作為推薦系統(tǒng)的核心，目標(biāo)是通過學(xué)習(xí)用戶信息和用戶行為，建模用戶的興趣偏好。其主要可以被分為三類[1]：基于內(nèi)容的推薦方法、基于協(xié)同過濾的推薦方法和混合推薦方法。其中，基于內(nèi)容的推薦是選擇出與用戶偏好項(xiàng)目特征相似的項(xiàng)目[5]。協(xié)同過濾利用相似用戶之間具有相似興趣偏好的特點(diǎn)，來發(fā)現(xiàn)用戶對(duì)項(xiàng)目的潛在偏好，優(yōu)點(diǎn)是不需要對(duì)項(xiàng)目進(jìn)行復(fù)雜的特征提取[6-7]。協(xié)同過濾僅需要利用用戶的歷史評(píng)分?jǐn)?shù)據(jù)，因此簡單有效。但是，也存在數(shù)據(jù)的稀疏問題和冷啟動(dòng)問題[7]。且推薦算法對(duì)捕捉用戶興趣變化的需求已經(jīng)超出了傳統(tǒng)推薦算法的能力。為此，研究者提出混合算法，結(jié)合如用戶社交網(wǎng)絡(luò)信息[8-9]和項(xiàng)目屬性[10-11]等輔助信息來解決以上問題。

近年來，將知識(shí)圖譜作為輔助信息引入到推薦算法逐漸成為了研究熱點(diǎn)。知識(shí)圖譜中節(jié)點(diǎn)表示實(shí)體，有向邊表示實(shí)體之間的關(guān)系，包含了用戶和項(xiàng)目的信息和關(guān)聯(lián)關(guān)系，可以更好地捕獲用戶偏好。如圖1所示的推薦示例中，向用戶推薦了電影《尖峰時(shí)刻》和《功夫》。這是因?yàn)橛脩粝矚g的電影和推薦的電影具有相同的體裁和主演。通過知識(shí)圖譜，項(xiàng)目和用戶以不同的潛在關(guān)系關(guān)聯(lián)起來，在有助于提高推薦的準(zhǔn)確性的同時(shí)，也為推薦結(jié)果提供了更多的可解釋性[12]。目前，學(xué)術(shù)界與工業(yè)界的研究人員構(gòu)建了各種結(jié)構(gòu)化的知識(shí)圖譜，例如DBpedia[13]、YAGO[14]和Google’s KG[15]等。這使推薦算法連接知識(shí)圖譜中的實(shí)體和關(guān)系變得更加便利。

圖1 基于知識(shí)圖譜的推薦示例Fig.1 Recommendation example based on knowledge graph

本文旨在對(duì)基于知識(shí)圖譜的推薦算法進(jìn)行全面的總結(jié)。通過查閱分析相關(guān)文獻(xiàn)，從應(yīng)用知識(shí)圖譜的三種方式：基于嵌入的方法、基于路徑的方法和基于傳播的方法展開介紹。此外，對(duì)引入了知識(shí)圖譜的推薦應(yīng)用場(chǎng)景，包括電影、音樂、書籍、新聞和商品，進(jìn)行分析討論，并收集了常見的數(shù)據(jù)集。除推薦的精確性外，基于知識(shí)圖譜的推薦算法還具有良好的可解釋性。本文也將討論不同的算法如何利用知識(shí)圖譜進(jìn)行可解釋的推薦。

1 研究背景

本章主要介紹知識(shí)圖譜和推薦算法相關(guān)背景知識(shí)。

1.1 推薦算法

推薦系統(tǒng)解決在“信息過載”情況下，用戶如何高效獲得感興趣項(xiàng)目的信息的問題。如電影[16]、新聞[3]、商品[17]、興趣點(diǎn)（point of interest，POI）[18]、試題[19]、音樂[20]、應(yīng)用程序[21]等等。推薦系統(tǒng)主要分為數(shù)據(jù)部分和模型部分。推薦算法作為推薦系統(tǒng)的核心，主要解決如何學(xué)習(xí)用戶和項(xiàng)目的表示及評(píng)分函數(shù)的問題，即模型算法如何訓(xùn)練和預(yù)測(cè)，并達(dá)到更好的推薦效果。推薦算法要處理的問題可以形式化地定義為[1]：給定所有用戶（user）的集合U，所有項(xiàng)目（item）的集合I，在特定場(chǎng)景C（context）下。構(gòu)建一個(gè)評(píng)分函數(shù)f(U,I,C)，預(yù)測(cè)用戶對(duì)特定候選項(xiàng)目的偏好程度，即：

再根據(jù)偏好程度對(duì)候選項(xiàng)目進(jìn)行排序，生成推薦列表。根據(jù)推薦問題的定義，可以得到抽象的推薦系統(tǒng)邏輯框架，如圖2所示，在此基礎(chǔ)上，對(duì)個(gè)模塊進(jìn)行細(xì)化和擴(kuò)展，才產(chǎn)生了推薦系統(tǒng)的整個(gè)技術(shù)體系。

圖2 推薦系統(tǒng)邏輯框架Fig.2 Logic framework of recommended system

1.2 知識(shí)圖譜

知識(shí)圖譜（knowledge graph，KG）最初是Google用于增強(qiáng)其搜索引擎功能的知識(shí)庫[15]。本質(zhì)上，知識(shí)圖譜是一種揭示實(shí)體之間關(guān)系的語義網(wǎng)絡(luò)，可以對(duì)現(xiàn)實(shí)世界的事物及其相互關(guān)系進(jìn)行形式化地描述[22]。三元組是知識(shí)圖譜的一種通用表示方式，可以定義為G=(E,R,S)。其中E={e1,e2,…}表示知識(shí)圖譜中所有實(shí)體的集合；R={r1,r2,…}表示知識(shí)圖譜中所有關(guān)系的集合；S={(h,r,t)}表示三元組的集合，單個(gè)三元組由頭實(shí)體h、關(guān)系r和尾實(shí)體t構(gòu)成。例如（Beijing，capital_of，China）表示北京是中國的首都這一事實(shí)。知識(shí)圖譜是一種具有多種類型節(jié)點(diǎn)和邊的異構(gòu)圖，所以知識(shí)圖譜中的三元組不僅可以用于理解知識(shí)實(shí)體之間的關(guān)系，也可以存儲(chǔ)知識(shí)實(shí)體的屬性。

知識(shí)圖譜中包含的實(shí)體之間豐富的語義關(guān)聯(lián)，可為推薦算法提供了潛在的輔助信息來源。引入知識(shí)圖譜可以讓推薦算法有以下特點(diǎn)：

（1）精確性。知識(shí)圖譜為實(shí)體引入了更多的語義關(guān)系，可以深層次地發(fā)現(xiàn)用戶興趣。

（2）多樣性。知識(shí)圖譜提供了實(shí)體間不同的關(guān)系連接模式，有利于挖掘高階的連接關(guān)系。

（3）可解釋性。知識(shí)圖譜可以連接用戶的歷史行為信息和推薦結(jié)果，給出推薦的原因，從而增強(qiáng)用戶對(duì)推薦結(jié)果的接受度。

1.3 推薦算法的可解釋性

可解釋推薦是指解釋推薦理由問題的推薦算法，在向用戶提供推薦結(jié)果的同時(shí)，還提供解釋以闡明推薦的原因[23]。這樣有助于提高推薦算法的多樣性、有效性和準(zhǔn)確性，有利于用戶理解并采納推薦結(jié)果[24-25]。

早期的推薦多數(shù)是基于內(nèi)容的推薦或基于協(xié)同過濾的推薦，基于內(nèi)容的推薦方法通過對(duì)用戶或者項(xiàng)目的屬性信息進(jìn)行建模，是基于特征的直觀解釋。而協(xié)同過濾方法得通過用戶的顯性反饋或隱性反饋體現(xiàn)解釋。項(xiàng)目協(xié)同過濾的解釋更直觀，因?yàn)橛脩羰煜に跋矚g的項(xiàng)目，用戶更易于理解。用戶協(xié)同過濾的解釋可能不那么有說服力，因?yàn)槟繕?biāo)用戶可能對(duì)其他“相似”的用戶一無所知，這可能會(huì)降低解釋的可信度。

傳統(tǒng)的推薦算法所生成的推薦解釋往往只局限于以項(xiàng)目為媒介、以用戶為媒介或者以特征為媒介中的某一種，而對(duì)這三類媒介之間的關(guān)聯(lián)挖掘得還不夠。知識(shí)圖譜作為擁有知識(shí)表示能力的結(jié)構(gòu)化知識(shí)庫，包含了關(guān)于用戶和項(xiàng)目的豐富信息，有助于提供有關(guān)推薦項(xiàng)目的知情解釋[26]。通過探索知識(shí)圖譜內(nèi)實(shí)體的連通性，反映了用戶和項(xiàng)目之間的潛在關(guān)系。知識(shí)圖譜上用戶到推薦項(xiàng)目的連接路徑給予了推薦算法推理和解釋的能力。以圖1中為例，因?yàn)橛脩粝矚g喜劇類體裁的電影，連接到推薦項(xiàng)目的路徑如下示例：

（小明，喜歡，大話西游）∧（大話西游，體裁，喜劇片）∧（大話西游，演員，周星馳）?（小明，喜歡，功夫）

這種連通性有助于通過綜合路徑信息捕捉到潛在的用戶與項(xiàng)目交互的可能。顯然，推理挖掘了路徑關(guān)系中的用戶意圖，提供了推薦結(jié)果的解釋。文獻(xiàn)[12]提出一個(gè)端到端的框架RippleNet，將知識(shí)圖譜融入到推薦算法中。RippleNet以用戶的歷史興趣項(xiàng)目為種子，然后沿著知識(shí)圖譜的連接不斷地向外擴(kuò)散到其他的項(xiàng)目，進(jìn)行偏好傳播，最后形成用戶對(duì)候選項(xiàng)目的偏好分布。該分布可用于預(yù)測(cè)用戶最終的偏好分?jǐn)?shù)，還可以通過在知識(shí)圖譜上查找來自用戶和推薦項(xiàng)目間的路徑來提供解釋。文獻(xiàn)[27]提出了一種新的知識(shí)感知路徑循環(huán)網(wǎng)絡(luò)模型KPRN，不僅通過組合實(shí)體和關(guān)系的語義來生成路徑表示，而且通過利用路徑中的順序依賴項(xiàng)，對(duì)路徑進(jìn)行有效推理，進(jìn)而推斷用戶項(xiàng)目的交互。該模型通過權(quán)重池操作來區(qū)分不同路徑的權(quán)重，使模型具有一定程度的可解釋性。

2 基于知識(shí)圖譜的推薦算法

引入了知識(shí)圖譜的輔助信息，推薦算法可以學(xué)習(xí)用戶和項(xiàng)目間的潛在連通關(guān)系，從而可以更準(zhǔn)確地捕獲用戶偏好，提高推薦效果。本章介紹了基于知識(shí)圖譜的推薦算法相關(guān)的研究，根據(jù)應(yīng)用知識(shí)圖譜的不同形式，可分為三類：基于嵌入的方法、基于路徑的方法和基于傳播的方法。此外，如表1所示[3，12，16，20，27-55]，將近年來的相關(guān)文獻(xiàn)進(jìn)行了匯總。

表1 文獻(xiàn)匯總Table 1 Literature summary

2.1 基于嵌入的推薦方法

基于嵌入的方法使用知識(shí)圖譜中的信息來豐富用戶或項(xiàng)目的表示，通過知識(shí)圖譜嵌入將知識(shí)圖譜中的實(shí)體和關(guān)系表征為低維向量，保留了知識(shí)圖譜原有的結(jié)構(gòu)。知識(shí)圖譜嵌入的方法主要是基于平移距離模型進(jìn)行特征表示的。

平移距離模型利用基于距離的評(píng)分函數(shù)，通過兩個(gè)實(shí)體之間的距離對(duì)事實(shí)的合理性進(jìn)行度量。主要包括TransE[56]、TransH[57]、TransR[58]、TransD[59]和TranSparse[60]等。其基本原理是將每個(gè)三元組的頭實(shí)體、尾實(shí)體和關(guān)系嵌入到向量h、t和r中，使之滿足h+r≈t?？梢杂靡粋€(gè)評(píng)估函數(shù)計(jì)算三元組的真實(shí)性，這個(gè)函數(shù)被定義為在L1范數(shù)或L2范數(shù)約束下h+r和t之間的距離。其數(shù)學(xué)表達(dá)式如下：

目標(biāo)是要使得有關(guān)系的實(shí)體之間的距離盡可能小，而不相關(guān)的實(shí)體之間的距離盡可能大。

通過Trans系列的嵌入方法學(xué)習(xí)得到知識(shí)圖譜中實(shí)體和關(guān)系的表示，可以用來補(bǔ)充用戶和項(xiàng)目的表示。Zhang等[28]提出CKE模型，在協(xié)同過濾框架中聚合了各種類型的輔助信息。通過TransR算法提取結(jié)構(gòu)化項(xiàng)目知識(shí)（由項(xiàng)目、關(guān)系及項(xiàng)目屬性組成的知識(shí)圖譜）的特征向量xj，自動(dòng)編碼器提取文本知識(shí)的特征向量zt,j和視覺知識(shí)的特征向量zv,j，聚合從用戶項(xiàng)目交互矩陣中提取的偏移向量ηj得到項(xiàng)目向量vj的最終表示：

最后偏好分?jǐn)?shù)通過用戶向量ui和項(xiàng)目向量vj內(nèi)積就可獲得，并根據(jù)以下排名標(biāo)準(zhǔn)給出用戶ui的最終項(xiàng)目推薦：

實(shí)驗(yàn)表明，加入結(jié)構(gòu)化的知識(shí)是可以提高推薦性能的。

Wang等[3]提出了一種將知識(shí)圖譜表示引入到新聞推薦中的深度知識(shí)感知網(wǎng)絡(luò)DKN。該模型利用Kim CNN[61]從新聞標(biāo)題中提取實(shí)體，并進(jìn)行實(shí)體鏈接，通過TransD將從原始知識(shí)圖譜中提取的實(shí)體的關(guān)系鏈接子圖構(gòu)建特征向量，還使用實(shí)體的近鄰實(shí)體提取實(shí)體的上下文信息。最后使用多通道和單詞實(shí)體對(duì)齊的知識(shí)感知卷積神經(jīng)網(wǎng)絡(luò)KCNN，將單詞語義和實(shí)體信息結(jié)合起來，生成知識(shí)感知的嵌入向量。此外，該模型設(shè)計(jì)了一個(gè)注意力模塊捕捉用戶對(duì)新聞的動(dòng)態(tài)偏好，得到歷史記錄對(duì)用戶的影響權(quán)重。最后，通過全連接層得到用戶點(diǎn)擊候選新聞的概率。Huang等[16]提出了一個(gè)帶有鍵值對(duì)記憶網(wǎng)絡(luò)（KV-MN）的循環(huán)神經(jīng)網(wǎng)絡(luò)模型KSR，其中GRU網(wǎng)絡(luò)用于捕獲序列化的用戶偏好，而鍵值對(duì)記憶網(wǎng)絡(luò)利用TransE學(xué)習(xí)知識(shí)庫信息捕獲屬性級(jí)的偏好，通過這種方式可以捕獲細(xì)粒度的用戶偏好。該模型解決了循環(huán)神經(jīng)網(wǎng)絡(luò)捕獲屬性級(jí)或特征級(jí)用戶偏好能力有限和可解釋性差的問題。

以上方法僅使用項(xiàng)目及其屬性信息構(gòu)成的項(xiàng)目圖集成到推薦方法中，當(dāng)將用戶和項(xiàng)目的交互數(shù)據(jù)與知識(shí)圖譜一起構(gòu)建用戶項(xiàng)目圖時(shí)，需進(jìn)一步考慮用戶項(xiàng)目圖中邊的關(guān)系來計(jì)算偏好分?jǐn)?shù)。Zhang等[28]提出了CFKG模型，構(gòu)建了一個(gè)包括用戶行為和項(xiàng)目信息的用戶項(xiàng)目知識(shí)圖譜。在這個(gè)用戶項(xiàng)目圖中用戶行為（如購買、收藏）被視為實(shí)體之間的關(guān)系，為了學(xué)習(xí)實(shí)體和關(guān)系在圖中的嵌入向量，該模型定義了一個(gè)距離函數(shù)d(·)，根據(jù)給定的關(guān)系度量兩個(gè)實(shí)體之間的距離。最后通過計(jì)算用戶節(jié)點(diǎn)ui和項(xiàng)目節(jié)點(diǎn)vj在關(guān)系“購買”rbuy上的距離，即d(ui+rbuy,vj)，對(duì)項(xiàng)目排序，從而生成推薦列表。

除此之外，另一種趨勢(shì)是聯(lián)合一些知識(shí)圖譜相關(guān)基本任務(wù)進(jìn)行多任務(wù)學(xué)習(xí)和聯(lián)合推薦。Cao等[30]提出的KTUP模型在將知識(shí)圖譜用于推薦算法時(shí)，考慮到知識(shí)圖譜的不完整性，聯(lián)合學(xué)習(xí)推薦和知識(shí)圖譜補(bǔ)全。該方法提出TUP（translation-based user preference）模型聯(lián)合知識(shí)圖譜學(xué)習(xí)，并利用用戶和項(xiàng)目之間的多重隱性關(guān)系，揭示用戶的偏好。提出KTUP（knowledgeenhanced TUP）將TUP和TransH進(jìn)行聯(lián)合學(xué)習(xí)，通過轉(zhuǎn)移實(shí)體知識(shí)和關(guān)系來增強(qiáng)項(xiàng)目和偏好建模。該模型的總體目標(biāo)函數(shù)如下：

其中Lp是推薦的損失函數(shù)；LKG是知識(shí)圖譜相關(guān)任務(wù)的損失函數(shù)；λ是平衡兩個(gè)任務(wù)的超參數(shù)。Wang等[20]提出的MKR模型，將推薦和知識(shí)圖譜特征學(xué)習(xí)視為兩個(gè)分離但是相關(guān)的任務(wù)，進(jìn)行交替式的學(xué)習(xí)。推薦部分的輸入是用戶和項(xiàng)目的特征表示，輸出為預(yù)估點(diǎn)擊率。知識(shí)圖譜特征學(xué)習(xí)部分的輸入為三元組的頭節(jié)點(diǎn)和關(guān)系，輸出為預(yù)測(cè)的尾節(jié)點(diǎn)。同時(shí)這兩個(gè)部分通過交叉壓縮單元共享信息，彌補(bǔ)自身的信息稀疏性的不足。該模型完整的損失函數(shù)如下：

其中LRS是推薦的損失函數(shù)；LKG是知識(shí)圖譜相關(guān)任務(wù)的損失函數(shù)；LREG是正則項(xiàng)，防止過擬合。

基于嵌入的推薦方法通過構(gòu)建具有多種類型的用戶和項(xiàng)目輔助信息的知識(shí)圖譜，豐富項(xiàng)目的表示和對(duì)用戶的偏好建模，在知識(shí)圖譜中的實(shí)體和關(guān)系學(xué)習(xí)低維特征向量的同時(shí)保留了知識(shí)圖譜中原有的結(jié)構(gòu)和語義信息，獲得了更好的推薦。缺點(diǎn)是忽略了由路徑連接的實(shí)體之間的語義關(guān)聯(lián)。

2.2 基于路徑的推薦方法

基于路徑的方法通過構(gòu)建用戶項(xiàng)目圖并利用圖中實(shí)體的連接關(guān)系，學(xué)習(xí)用戶到項(xiàng)目的路徑之間的連接相似性進(jìn)行推薦。這種方法主要的挑戰(zhàn)是如何設(shè)計(jì)合理的路徑以及如何為實(shí)體間的連接關(guān)系建模。

一些推薦方法將知識(shí)圖譜視為一個(gè)異構(gòu)信息網(wǎng)絡(luò)，然后利用圖中的元結(jié)構(gòu)，直接計(jì)算路徑的連接相似性來進(jìn)行推薦。基于元結(jié)構(gòu)的相似性可以作為用戶和項(xiàng)目表示的約束，也可以用于預(yù)測(cè)用戶對(duì)交互歷史中相似用戶或相似項(xiàng)目的興趣。為了測(cè)量圖中實(shí)體之間的連接相似性，通常使用PathSim[62]方法表示：

其中，p(x,y)是一條實(shí)體x到實(shí)體y的路徑。Yu等[63]提出的Hete-MF方法提取不同的元路徑并計(jì)算每個(gè)路徑中的項(xiàng)目相似度，將正則化與矩陣分解方法相結(jié)合，獲得更好的推薦。Luo等[64]提出的Hete-CF同時(shí)將用戶間相似度、實(shí)體間相似度和用戶與實(shí)體間的相似度一起正則化，提高了推薦效果。為了克服元路徑表示能力有限的問題，Zhao等[36]用元圖替換元路徑提出了FMG方法捕獲圖中更豐富的語義，然后使用矩陣分解為每個(gè)元圖中用戶和項(xiàng)目學(xué)習(xí)隱向量。

上述基于元結(jié)構(gòu)的方法存在依賴手動(dòng)構(gòu)造元結(jié)構(gòu)的問題，元路徑或元圖的選擇需要領(lǐng)域知識(shí)，并且對(duì)于不同的知識(shí)圖譜，元結(jié)構(gòu)的構(gòu)造可能不同。因此，一些方法直接對(duì)知識(shí)圖譜中的用戶與項(xiàng)目之間的語義路徑進(jìn)行挖掘，學(xué)習(xí)路徑的顯式嵌入來生成推薦。

Sun等[37]提出了一種循環(huán)知識(shí)圖譜嵌入方法RKGE，該方法通過循環(huán)神經(jīng)網(wǎng)絡(luò)自動(dòng)挖掘用戶和項(xiàng)目之間的路徑關(guān)系，而無需手動(dòng)定義元結(jié)構(gòu)。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠?qū)Σ煌L度的序列進(jìn)行建模，不僅可以對(duì)實(shí)體語義進(jìn)行學(xué)習(xí)，還能對(duì)整個(gè)路徑序列進(jìn)行學(xué)習(xí)，從而為實(shí)體和實(shí)體關(guān)系的表示提供統(tǒng)一的學(xué)習(xí)方法。具體來說，RKGE首先枚舉用戶ui到項(xiàng)目vj的所有路徑P(ui,vj)，記作：

其中，s表示的不同實(shí)體對(duì)之間的路徑數(shù)。這些路徑在序列長度約束下以不同的語義關(guān)系連接ui和vj，以避免引入較遠(yuǎn)鄰居，失去語義意義。然后將路徑輸入到一批循環(huán)網(wǎng)絡(luò)對(duì)其進(jìn)行編碼，得到每條路徑的嵌入表示hp，每條路徑由一個(gè)循環(huán)網(wǎng)絡(luò)建模，且每個(gè)神經(jīng)網(wǎng)絡(luò)共享參數(shù)以避免過擬合。最后通過池化操作區(qū)分不同路徑對(duì)于描述用戶對(duì)項(xiàng)目偏好的重要性，得到ui和vj之間關(guān)聯(lián)的最終表示：

經(jīng)過池化層之后采用全連接層生成推薦。RKGE首次采用循環(huán)網(wǎng)絡(luò)來學(xué)習(xí)知識(shí)圖譜中實(shí)體和路徑的語義，可以從不同角度對(duì)推薦進(jìn)行解釋。

類似地，Wang等[27]提出了知識(shí)感知路徑循環(huán)網(wǎng)絡(luò)模型KPRN。該模型通過實(shí)體嵌入和關(guān)系嵌入來構(gòu)造合格的路徑序列，使用LSTM網(wǎng)絡(luò)對(duì)路徑進(jìn)行編碼。此外，還根據(jù)每條路徑計(jì)算的預(yù)測(cè)分?jǐn)?shù)使用平均方式聚合進(jìn)行池化操作，區(qū)分不同路徑對(duì)預(yù)測(cè)的貢獻(xiàn)，起到注意機(jī)制的作用。因此，該模型可以為每個(gè)項(xiàng)目提供精確的關(guān)系路徑級(jí)解釋。RKGE模型和KPRN模型在前期路徑的提取工作中通過限制路徑的長度來限制路徑的數(shù)量，這有助于減少計(jì)算量和忽略過長路徑的噪聲。

Xian等[38]提出的PGPR模型，是一種策略引導(dǎo)路徑推理的方式，并首次在知識(shí)圖譜中運(yùn)用強(qiáng)化學(xué)習(xí)的方法來完成推薦任務(wù)。該模型將推薦問題描述為一個(gè)馬爾可夫決策過程，用以找到連接用戶項(xiàng)目對(duì)之間的合理路徑，利用強(qiáng)化學(xué)習(xí)方法，訓(xùn)練一個(gè)智能體（agent）在圖中進(jìn)行多步路徑推理以發(fā)現(xiàn)用戶感興趣的項(xiàng)目。PGPR模型還設(shè)計(jì)了軟獎(jiǎng)勵(lì)策略、用戶條件行為修剪策略和策略引導(dǎo)圖搜索算法保證模型的高效性和多樣性，以及對(duì)推薦的推理路徑進(jìn)行有效采樣。Wang等[41]提出的基于知識(shí)圖譜的意圖網(wǎng)絡(luò)KGIN，為每個(gè)意圖建模為知識(shí)圖譜中關(guān)系的組合，以獲得更好的建模能力和可解釋性。此外，該方法設(shè)計(jì)了一種新的信息聚合方案，遞歸地集成遠(yuǎn)程連接的關(guān)系路徑。KGIN通過識(shí)別有影響的意圖和關(guān)系路徑，為預(yù)測(cè)提供了可解釋性。

基于路徑的方法利用知識(shí)圖譜的網(wǎng)絡(luò)結(jié)構(gòu)，利用路徑連接來豐富實(shí)體的表示，依賴實(shí)體連接關(guān)系進(jìn)行推薦。使用元結(jié)構(gòu)的推薦方法連接模式?jīng)]有顯式建模，這使得很難了解用戶項(xiàng)目對(duì)和連接模式之間的相互影響。因此，直接學(xué)習(xí)連接用戶和項(xiàng)目間的顯著路徑的嵌入向量對(duì)用戶和項(xiàng)目的關(guān)系建模，可以解決依賴元結(jié)構(gòu)構(gòu)造的問題?；诼窂降姆椒ㄔ谔岣咄扑]效果的同時(shí)具有良好的可解釋性。

2.3 基于傳播的推薦方法

為了充分利用知識(shí)圖譜中的信息進(jìn)行更好地推薦，基于傳播的推薦方法整合了實(shí)體和關(guān)系的語義表示以及連接信息。基于傳播的推薦方法是基于嵌入傳播的思想，聚合知識(shí)圖譜中多跳鄰居節(jié)點(diǎn)的嵌入來深化實(shí)體表示。然后，獲得用戶和項(xiàng)目的豐富表示，并預(yù)測(cè)用戶的偏好。

2.3.1 用戶或項(xiàng)目表示的細(xì)化

Wang等[12]提出的RippleNet模型引入偏好傳播的概念，不斷自動(dòng)地發(fā)現(xiàn)用戶的潛在的層級(jí)興趣。該模型抽取用戶節(jié)點(diǎn)相連的N-hop實(shí)體節(jié)點(diǎn)，并利用這些鄰居實(shí)體節(jié)點(diǎn)的嵌入表示更新用戶的嵌入表示，最后通過用戶向量和項(xiàng)目向量的內(nèi)積去預(yù)測(cè)推薦結(jié)果。在給定知識(shí)圖譜G和交互矩陣Y的情況下，用戶u的k-hop相關(guān)實(shí)體集定義如下：

其中ε0u=Vu={v|yuv=1}為用戶歷史點(diǎn)擊記錄，也即是種子集合。用戶u的k-hop波紋集定義為以εk-1u中節(jié)點(diǎn)為頭節(jié)點(diǎn)的三元組：

在RippleNet中，項(xiàng)目的表示可以通過嵌入層直接得到，并計(jì)算給定用戶u的1-hop波紋集S1u中的每個(gè)三元組與項(xiàng)目嵌入向量的歸一化相關(guān)性，相關(guān)性計(jì)算公式如下：

然后加權(quán)聚合所有尾節(jié)點(diǎn)的嵌入向量，得到用戶u的歷史偏好關(guān)于v的一階響應(yīng)，表示用戶偏好經(jīng)過第一輪傳播后的結(jié)果：

重復(fù)上述過程，就是不斷向外層傳播用戶偏好的過程。最終融合它的所有階數(shù)的響應(yīng)計(jì)算用戶u關(guān)于項(xiàng)目v的特征：

最后的偏好預(yù)測(cè)計(jì)算如下：

其中，σ(·)是一個(gè)sigmoid函數(shù)。通過這種方式，Ripple-Net模型沿著知識(shí)圖譜中的路徑傳播用戶對(duì)歷史興趣的偏好。

類似于RippleNet模型的偏好傳播機(jī)制，Tang等[46]提出AKUPM模型，它根據(jù)用戶的點(diǎn)擊歷史來建模用戶。AKUPM首先通過TransR得到用戶歷史行為信息中關(guān)聯(lián)實(shí)體的嵌入表示，在每個(gè)傳播過程中，該模型通過自注意力層學(xué)習(xí)實(shí)體之間的關(guān)系，并學(xué)習(xí)實(shí)體在涉及不同的關(guān)系時(shí)表現(xiàn)出不同的特征。最后，再通過注意力機(jī)制聚合不同階數(shù)的鄰域嵌入以獲得最終的用戶表示。Li等[65]提出的RCoLM模型以AKUPM為主干，聯(lián)合訓(xùn)練知識(shí)圖譜補(bǔ)全任務(wù)和推薦任務(wù)，捕捉到兩項(xiàng)任務(wù)的互補(bǔ)信息，以促進(jìn)兩項(xiàng)任務(wù)的相互增強(qiáng)。

該類模型雖然通過偏好傳播的方式提高了推薦效果，但是存在忽視關(guān)系重要性、帶來計(jì)算負(fù)擔(dān)和冗余的問題。Wang等[44]提出的KGCN模型結(jié)合知識(shí)圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)，能很好地捕捉局部鄰域信息和考慮鄰居節(jié)點(diǎn)權(quán)重以實(shí)現(xiàn)推薦。該模型通過對(duì)知識(shí)圖譜中候選項(xiàng)目的鄰居節(jié)點(diǎn)進(jìn)行采樣，然后對(duì)每個(gè)實(shí)體迭代地采樣鄰居節(jié)點(diǎn)，利用鄰居節(jié)點(diǎn)信息的線性組合來刻畫結(jié)點(diǎn)v的鄰域信息：

其中，N(v)表示和v直接相連的實(shí)體集合；πur表示用戶u與某個(gè)關(guān)系r的關(guān)系分?jǐn)?shù)，可通過歸一化用戶關(guān)系分?jǐn)?shù)計(jì)算得到。為了防止不同實(shí)體N(v)大小產(chǎn)生的差異和提高計(jì)算效率，該模型為每個(gè)實(shí)體均勻地采樣固定大小的鄰居節(jié)點(diǎn)作為實(shí)體v的鄰域表示，且滿足：

S(v)就是實(shí)體v的感受野，即對(duì)每一個(gè)結(jié)點(diǎn)v，只選取K個(gè)鄰居進(jìn)行計(jì)算。最后，將實(shí)體表示v與鄰域表示聚合得到最終的嵌入向量表示。

然而，KGCN容易過度擬合，因?yàn)橛脩艚换?shù)據(jù)是整個(gè)模型的唯一數(shù)據(jù)來源。因此，在KGCN的基礎(chǔ)上，Wang等[66]又提出KGCN-LS模型，增加了標(biāo)簽平滑度正則項(xiàng)，來對(duì)損失函數(shù)進(jìn)行約束。標(biāo)簽平滑度機(jī)制在計(jì)算用戶關(guān)系分?jǐn)?shù)時(shí)構(gòu)造交互標(biāo)簽。標(biāo)簽傳播模塊和偏好傳播模塊聯(lián)合訓(xùn)練，進(jìn)一步提高了推薦結(jié)果。

這些方法以用戶或項(xiàng)目的知識(shí)圖譜為基礎(chǔ)，同時(shí)利用實(shí)體嵌入和高階連接信息，但在傳播過程中只有用戶或項(xiàng)目的表示得到了更新優(yōu)化。

2.3.2 協(xié)同用戶項(xiàng)目表示

RippleNet模型及其擴(kuò)展側(cè)重于在項(xiàng)目知識(shí)圖譜上使用嵌入傳播機(jī)制，在基于用戶項(xiàng)目知識(shí)圖譜中嵌入傳播機(jī)制的探索中，Wang等[45]提出KGAT模型，引入?yún)f(xié)同知識(shí)圖譜的方法，將用戶和項(xiàng)目知識(shí)編碼為一個(gè)統(tǒng)一的關(guān)系圖G，通過嵌入傳播直接對(duì)用戶和項(xiàng)目之間的高階關(guān)系建模。該模型首先應(yīng)用TransR獲得實(shí)體的嵌入表示，遞歸地傳播來自實(shí)體鄰居節(jié)點(diǎn)的嵌入，增強(qiáng)當(dāng)前節(jié)點(diǎn)的嵌入。在信息傳播中，使用Nh={(h,r,t)|(h,r,t)∈G}表示以實(shí)體h為頭節(jié)點(diǎn)的三元組集合，則實(shí)體h鄰域的一階線性組合計(jì)算如下：

其中π(h,r,t)控制三元組每次傳播的衰減因子，表示有多少信息從t經(jīng)過r傳向h。將實(shí)體和鄰域表示聚合就得到了實(shí)體的一階表示：

進(jìn)一步聚合高階的鄰居傳播，在第l步中，實(shí)體h的l階表示為：

經(jīng)過L層后，采用層聚合機(jī)制將每一階的表示連接成一個(gè)向量作為實(shí)體的最終表示：

其中e(0)h表示實(shí)體初始表示；“||”表示連接操作。該模型不僅可以通過嵌入傳播來豐富初始嵌入，還可以通過調(diào)整L來增強(qiáng)傳播和控制規(guī)模。

為了進(jìn)一步考慮項(xiàng)目側(cè)鄰居和用戶側(cè)鄰居之間的交互作用，Qu等[47]提出KNI模型，因?yàn)橛脩艉晚?xiàng)目共享交互模式，使得用戶嵌入和項(xiàng)目嵌入的細(xì)化過程不分離。Zhao等[48]提出的IntentGC模型利用圖中豐富的用戶相關(guān)行為獲得更好的推薦。為了提高效率，該模型將用戶項(xiàng)目圖拆分為用戶圖和項(xiàng)目圖，還設(shè)計(jì)了一個(gè)更快的圖卷積網(wǎng)絡(luò)來更新實(shí)體的高階表示。為了解決在傳播過程中引入不相關(guān)鄰居的問題，Sha等[51]提出的HAKG模型通過在用戶項(xiàng)目對(duì)的子圖中傳播信息來學(xué)習(xí)用戶和候選項(xiàng)目的增強(qiáng)表示。該模式首先使用TransR對(duì)圖中的實(shí)體嵌入進(jìn)行預(yù)訓(xùn)練，然后使用距離感知抽樣策略保留最短K條路徑構(gòu)建用戶項(xiàng)目對(duì)的高階子圖，接下來，該模型在子圖中通過基于注意的圖神經(jīng)網(wǎng)絡(luò)使用關(guān)系感知傳播來自鄰居的信息，以最終表示該用戶項(xiàng)目對(duì)。HAKG在子圖的構(gòu)造中過濾掉了圖中相關(guān)性較低的實(shí)體，便于挖掘高階用戶項(xiàng)關(guān)系進(jìn)行推薦，同時(shí)減少了計(jì)算開銷。

上述方法主要關(guān)注于如何有效地編碼知識(shí)圖譜中知識(shí)的關(guān)聯(lián)關(guān)系，Wang等[50]提出的CKAN協(xié)同知識(shí)感知注意網(wǎng)絡(luò)模型通過協(xié)同信息與知識(shí)關(guān)聯(lián)組合一起細(xì)化用戶和項(xiàng)目的表示，突出了用戶項(xiàng)目交互中潛在的重要的協(xié)同信號(hào)。CKAN由異構(gòu)傳播層、知識(shí)感知注意嵌入層和預(yù)測(cè)層組成，在知識(shí)圖譜中嵌入傳播前先使用協(xié)同傳播策略顯式編碼兩種信息，即用戶由交互過的項(xiàng)目表示，項(xiàng)目由交互過的用戶表示，項(xiàng)目和用戶的表示分別如下：

接下來在知識(shí)圖譜中沿鏈路傳播，可以得到初始實(shí)體集擴(kuò)展的三元組表示：

然后使用知識(shí)感知的注意力嵌入方法進(jìn)行多跳傳播得到多層的用戶和項(xiàng)目表示。

CKAN使用協(xié)同傳播豐富了用戶和項(xiàng)目的0-hop的嵌入表示，然而忽略多跳的波紋集中實(shí)體的關(guān)系和沒有區(qū)分不同波紋集的重要性。因此，Xu等[55]提出了協(xié)同知識(shí)感知圖注意網(wǎng)絡(luò)模型，使用知識(shí)感知圖注意網(wǎng)絡(luò)提取多跳波紋集中實(shí)體的拓?fù)溧徑Y(jié)構(gòu)，然后學(xué)習(xí)高階實(shí)體表示，從而生成精細(xì)的ripple集嵌入。

此外，為了在提供精確推薦的同時(shí)生成類人語義的解釋，Lyu等[54]提出的KEGNN模型將外部知識(shí)庫中的語義知識(shí)用于用戶、項(xiàng)目和用戶項(xiàng)目交互三方的表示學(xué)習(xí)，并利用知識(shí)增強(qiáng)的語義嵌入來初始化所構(gòu)建用戶行為圖中的實(shí)體和關(guān)系。KEGNN設(shè)計(jì)了一個(gè)用戶行為學(xué)習(xí)和推理模塊，并利用GRU生成器和復(fù)制模式生成文本解釋，生成的解釋說明了用戶對(duì)評(píng)級(jí)商品的選擇和購買原因。

通過協(xié)同表示用戶和項(xiàng)目能在更大程度上探索高階連接模式，但缺點(diǎn)是會(huì)帶來不相關(guān)的實(shí)體，這可能會(huì)誤導(dǎo)用戶在聚合過程中的興趣。

基于傳播的推薦方法受益于知識(shí)圖譜的語義表示和路徑關(guān)聯(lián)，利用嵌入傳播的思想來增強(qiáng)知識(shí)圖譜中具有多跳鄰居節(jié)點(diǎn)的用戶或項(xiàng)目的表示?；趥鞑サ耐扑]方法的傳播過程可以被視為在知識(shí)圖譜中發(fā)現(xiàn)用戶的偏好模式，這些方法結(jié)合了基于嵌入的方法和基于路徑的方法的優(yōu)勢(shì)，兼具準(zhǔn)確性和可解釋性。

2.4 小結(jié)

基于嵌入的方法使用知識(shí)圖譜嵌入對(duì)知識(shí)圖譜進(jìn)行學(xué)習(xí)，以獲得實(shí)體和關(guān)系的嵌入，并進(jìn)一步將其集成到推薦模型中。然而，在這種方法中實(shí)體間的語義關(guān)聯(lián)被忽略?；诼窂降姆椒ɡ糜脩繇?xiàng)目圖挖掘路徑連接相似性，通過預(yù)定義元結(jié)構(gòu)或自動(dòng)挖掘路徑連接關(guān)系?；诼窂降姆椒ㄟ€可以為用戶提供對(duì)結(jié)果的解釋。此外，稀疏數(shù)據(jù)集場(chǎng)景可能無法提供足夠的路徑來挖掘連接關(guān)系?；趥鞑サ姆椒葘?shí)現(xiàn)了對(duì)于知識(shí)圖譜結(jié)構(gòu)中路徑的連接關(guān)系的利用，又通過嵌入的思想學(xué)習(xí)實(shí)體和關(guān)系的特征表示，以充分利用雙方的信息。此外，基于傳播的推薦方法還具有解釋推薦過程的能力。表2簡要說明了三種類型方法的優(yōu)缺點(diǎn)。

表2 三種類型方法的比較Table 2 Comparison of three types of methods

3 實(shí)驗(yàn)數(shù)據(jù)集以及性能評(píng)價(jià)

3.1 常用數(shù)據(jù)集

知識(shí)圖譜所為提供給知識(shí)圖譜的額外信息，在提高推薦算法的同時(shí)，可以自然地合并到不同應(yīng)用的推薦算法中。不同的場(chǎng)景下應(yīng)用數(shù)據(jù)集展示了知識(shí)圖譜作為輔助信息的有效性。本節(jié)簡要介紹不同數(shù)據(jù)集，并根據(jù)數(shù)據(jù)集對(duì)這些方法進(jìn)行分類，這有助于幫助研究人員尋找合適的數(shù)據(jù)集來測(cè)試他們的推薦方法。根據(jù)表3中總結(jié)的數(shù)據(jù)集對(duì)基于知識(shí)圖譜的推薦方法進(jìn)行分組。通常，這些數(shù)據(jù)集可以分為以下應(yīng)用場(chǎng)景：

表3 應(yīng)用不同數(shù)據(jù)集的文獻(xiàn)Table 3 Literature using different datasets

（1）電影。電影領(lǐng)域知識(shí)通過提取電影類型、演員和導(dǎo)演等很容易映射到外部知識(shí)庫。最常用的數(shù)據(jù)集是從MovieLens網(wǎng)站收集的MovieLens數(shù)據(jù)集，包括MovieLens-100K、MovieLens-1M和MovieLens-20這三個(gè)不同評(píng)級(jí)數(shù)量的數(shù)據(jù)集，其中包含了包括電影屬性、用戶信息、用戶打分?jǐn)?shù)據(jù)和標(biāo)簽數(shù)據(jù)等內(nèi)容。通常在MovieLens上通過DBpedia知識(shí)圖譜進(jìn)行匹配以豐富實(shí)體表示。除了MovieLens數(shù)據(jù)集，還有從中國豆瓣電影網(wǎng)上收集的DoubanMovie，通過與中文百科知識(shí)圖譜匹配維護(hù)電影標(biāo)簽。在電影數(shù)據(jù)中，知識(shí)圖譜上關(guān)于電影的特征信息能有效地提升推薦效果。

（2）書籍。類似于電影場(chǎng)景，書籍的外部知識(shí)也非常豐富。通常使用的公共可用數(shù)據(jù)集是Book-Crossing和Amazon-Book，它們都包含用戶信息、書籍屬性和用戶評(píng)分信息。Amazon-Book還多了與用戶購買行為相關(guān)的信息。此外，一些方法還采用Intent Book和DBbook2014等數(shù)據(jù)集。

（3）音樂。音樂推薦也是場(chǎng)景的推薦任務(wù)。Last.FM是最流行的音樂推薦數(shù)據(jù)集，該數(shù)據(jù)集包含來自于Last.FM在線音樂網(wǎng)站的用戶信息、音樂屬性和用戶收聽記錄。另一個(gè)流行的數(shù)據(jù)集KKBox發(fā)布于WSDM挑戰(zhàn)賽，該數(shù)據(jù)集包含音樂描述和收聽記錄，規(guī)模相對(duì)較為稀疏。

（4）商品。電商網(wǎng)站的內(nèi)容展示高度依賴商品的推薦結(jié)果。但與其他場(chǎng)景相比，商品推薦領(lǐng)域的數(shù)據(jù)集非常大且稀疏。其主要的研究數(shù)據(jù)是從電商網(wǎng)站Amazon和Taobao上收集的，包含了用戶和商品的各類屬性信息以及用戶交互、評(píng)論和購買等各種行為信息。

（5）新聞。新聞推薦具有時(shí)效性和內(nèi)容高度濃縮，且依賴于文本信息，因此具有一定的挑戰(zhàn)性。在應(yīng)用知識(shí)圖譜到新聞的推薦場(chǎng)景中時(shí)，需要先提取內(nèi)容中的實(shí)體，并映射到知識(shí)圖譜。最受歡迎的數(shù)據(jù)集是Bing-News，其中包含用戶點(diǎn)擊信息和新聞內(nèi)容特征等，通常使用一些通用型知識(shí)圖譜如Wikidata和Microsoft Satori進(jìn)行實(shí)體關(guān)聯(lián)。

3.2 性能對(duì)比

通過在三個(gè)公開數(shù)據(jù)集MovieLens-20M、Book-Crossing和Last.FM上進(jìn)行的模擬實(shí)驗(yàn)，選取了部分源碼公開的推薦方法并對(duì)其模型的預(yù)測(cè)性進(jìn)行評(píng)價(jià)。采用AUC和F1作為模型的性能評(píng)價(jià)指標(biāo)，AUC的定義為ROC曲線下的面積，AUC越大，表明方法效果越好。F1分?jǐn)?shù)是精準(zhǔn)率（precision）與召回率（recall）的調(diào)和均值，取值范圍是從0到1，值越大表明方法越理想。如表4展示了不同算法在三個(gè)公開數(shù)據(jù)集上的性能表現(xiàn)。

表4 不同算法的性能對(duì)比Table 4 Performance comparison of different methods

在實(shí)驗(yàn)中，對(duì)于測(cè)試集中的每個(gè)用戶，將沒有與之交互的項(xiàng)目視為負(fù)項(xiàng)目，然后計(jì)算出用戶對(duì)除了在訓(xùn)練集中的正項(xiàng)目外的所有項(xiàng)目的偏好得分。此外，將數(shù)據(jù)集按照6∶2∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。模擬了原模型的具體實(shí)驗(yàn)環(huán)境，如深度學(xué)習(xí)框架等。具體的實(shí)驗(yàn)超參數(shù)設(shè)置如下：

在CKE中，三個(gè)數(shù)據(jù)集的嵌入維度分別設(shè)置為64、64和128。在KSR中，項(xiàng)目嵌入大小設(shè)置為256，網(wǎng)絡(luò)隱藏層大小設(shè)置為256，鍵向量和值向均設(shè)為50。在KGIN中，將嵌入維度固定為64，用戶的意圖數(shù)量固定為4，將聚合層的數(shù)量固定為3。在RippleNet中，嵌入維度d和傳播跳數(shù)H，對(duì)于MovieLens-20M，設(shè)置d=16和H=2；對(duì)于Last.FM和Book-Crossing，設(shè)置d=8和H=3。在KGCN中，對(duì)于MovieLens-20M，嵌入維度d為62，感受野深度H為2，鄰居采樣大小為4，而對(duì)于Last.FM和Book-Crossing，分別設(shè)置為d=16，H=1和K=8以及d=64，H=1和K=8。在KGAT中，將嵌入維度固定為64，模型的嵌入傳播層數(shù)設(shè)置為4。在CKAN中，對(duì)于MovieLens-20M嵌入維度設(shè)置為64，Last.FM和Book-Crossing中嵌入維度設(shè)置為128。對(duì)于知識(shí)傳播層數(shù)的深度L分別設(shè)置為1、3和2。在CKGAT中，嵌入維度設(shè)置為64，波紋集最大跳數(shù)L和相鄰實(shí)體數(shù)量K在MovieLens-20M中分別為2和4，在Last.FM設(shè)置L=3和K=3，對(duì)Book-Crossing設(shè)置L=2和K=4。其他參數(shù)與原始論文中報(bào)告的相同，或與代碼中的默認(rèn)值相同。

4 研究展望

在以上的討論中，基于知識(shí)圖譜的推薦算法展示了在精確性、多樣性和可解釋性方面的優(yōu)勢(shì)，且應(yīng)用場(chǎng)景廣闊。本章將討論一些具有挑戰(zhàn)性的未來研究的問題：

（1）動(dòng)態(tài)推薦

知識(shí)圖譜包含著豐富的用戶行為信息和項(xiàng)目特征信息，但在用戶長期歷史行為中普遍存在隱式和嘈雜的偏好信號(hào)，這無疑會(huì)降低用戶真實(shí)興趣的建模效果。且在類似新聞要求時(shí)效性的場(chǎng)景中，用戶的興趣偏好很容易轉(zhuǎn)移。因此與傳統(tǒng)的靜態(tài)推薦相比，捕獲用戶在發(fā)展過程中的動(dòng)態(tài)偏好并預(yù)測(cè)用戶的行為意圖，能更好地提高用戶體驗(yàn)。Zhang等[67]提出了一種用于基于會(huì)話的推薦的動(dòng)態(tài)和靜態(tài)偏好的圖神經(jīng)網(wǎng)絡(luò)模型DSGNN，綜合考慮了有向圖和無向圖捕獲的用戶意圖并通過門控網(wǎng)絡(luò)組合。聯(lián)合建模長短期興趣的解決方案能捕獲短期興趣的轉(zhuǎn)移和避免長期興趣的遺忘，但長期和短期興趣的劃分與整合仍然具有挑戰(zhàn)性。

（2）跨領(lǐng)域推薦

知識(shí)圖譜作為一種有效的輔助數(shù)據(jù)能解決冷啟動(dòng)問題，但這也僅適用于在單一領(lǐng)域已經(jīng)穩(wěn)定積累數(shù)據(jù)信息的推薦場(chǎng)景?？珙I(lǐng)域推薦旨在從一個(gè)信息豐富的源領(lǐng)域向目標(biāo)領(lǐng)域遷移知識(shí)來緩解目標(biāo)領(lǐng)域的冷啟動(dòng)問題，能更好地使用數(shù)據(jù)充足的領(lǐng)域數(shù)據(jù)幫助數(shù)據(jù)不足的領(lǐng)域進(jìn)行更好的推薦。Liu等[68]提出的跨領(lǐng)域知識(shí)圖交叉嵌入方法通過分析同一領(lǐng)域項(xiàng)目之間的關(guān)聯(lián)以及不同領(lǐng)域項(xiàng)目之間的相互作用，研究了基于跨領(lǐng)域知識(shí)圖譜嵌入的多領(lǐng)域項(xiàng)目推薦。該方法借助包含豐富信息的知識(shí)圖譜，能有效地推薦多個(gè)領(lǐng)域的項(xiàng)目。但由于商業(yè)隱私政策，不同的領(lǐng)域不能完全共享數(shù)據(jù)，跨域推薦在工業(yè)上的應(yīng)用還不成熟。

（3）多模態(tài)知識(shí)圖譜推薦

多模態(tài)知識(shí)圖譜在傳統(tǒng)知識(shí)圖譜的基礎(chǔ)上，引入不同模態(tài)的實(shí)體或?qū)嶓w屬性，同時(shí)也帶來了不同模態(tài)間的語義關(guān)聯(lián)。引入文本或視覺數(shù)據(jù)的多模態(tài)知識(shí)圖譜可以提供更多的輔助信息，從而解決數(shù)據(jù)稀疏和冷啟動(dòng)問題。Tao等[69]提出的多模態(tài)知識(shí)感知強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)MKRLN通過在多模態(tài)知識(shí)圖譜中提供實(shí)際路徑來關(guān)聯(lián)推薦和解釋性。該方法通過組合實(shí)體的結(jié)構(gòu)和視覺信息來生成路徑表示，但現(xiàn)有方法多將文本模態(tài)和視覺模態(tài)分別建模學(xué)習(xí)，將多模態(tài)信息和實(shí)體信息直接拼接到一起作為新實(shí)體集成到推薦還存在一定的挑戰(zhàn)。

5 結(jié)束語

引入知識(shí)圖譜的推薦算法提高了推薦算法的精確性、多樣性和可解釋性，擁有傳統(tǒng)推薦算法所不具備的優(yōu)勢(shì)。本文調(diào)研了應(yīng)用知識(shí)圖譜的推薦算法的相關(guān)研究，回顧了知識(shí)圖譜和推薦算法的基本知識(shí)，并簡要說明了推薦算法的可解釋性之后，總結(jié)了近年來基于知識(shí)圖譜的推薦算法的不同應(yīng)用方式。最后展望了該領(lǐng)域的潛在研究方向，希望能促進(jìn)該領(lǐng)域的發(fā)展。