基于知識(shí)圖譜信息協(xié)同傳播的推薦模型

張海龍 顏金堯

摘 ?要：針對(duì)當(dāng)前基于知識(shí)圖譜的推薦模型沒(méi)有充分挖掘知識(shí)圖譜語(yǔ)義結(jié)構(gòu)信息的問(wèn)題，提出一種融合知識(shí)圖譜表示學(xué)習(xí)方法和信息協(xié)同傳播機(jī)制的推薦模型KCOD。KCOD基于經(jīng)典的知識(shí)圖譜表示學(xué)習(xí)模型DistMult與TransR建模并推理實(shí)體三元組的語(yǔ)義關(guān)系，然后通過(guò)交叉計(jì)算每一階歷史交互實(shí)體向量推理結(jié)果與候選物品實(shí)體向量推理結(jié)果的相似度，進(jìn)行模型訓(xùn)練及偏好預(yù)測(cè)。實(shí)驗(yàn)結(jié)果顯示KCOD的性能優(yōu)于經(jīng)典對(duì)比模型。

關(guān)鍵詞：個(gè)性化推薦；知識(shí)圖譜；表示學(xué)習(xí)；協(xié)同傳播

中圖分類號(hào)：TP391.3 ? 文獻(xiàn)標(biāo)識(shí)碼：A ? 文章編號(hào)：2096-4706（2023）16-0094-06

Recommendation Model Based on Knowledge Graph Information

Collaborative Diffusion

ZHANG Hailong1， YAN Jinyao2

（1.The 15th Research Institute of CETC， Beijing ?100083， China; 2.Communication University of China， Beijing ?100024， China）

Abstract： Aiming at the problem that the current recommendation model based on knowledge graph does not fully mine the semantic structure information of knowledge graph， a recommendation model， KCOD， which combines the representation learning method of knowledge graph and the information collaborative diffusion mechanism， is proposed. KCOD models and infers the semantic relationship of entity triples based on the classical knowledge graph representation learning model DistMult and TransR. Then it performs model training and preference prediction by cross-calculating the similarity between the inference results of historical interaction entity vector and the inference results of candidate item entity vector at each hop. The experimental results show that the performance of KCOD is better than the classical comparison model.

Keywords： personalized recommendation; knowledge graph; representation learning; collaborative diffusion

0 ?引 ?言

近年來(lái)，隨著互聯(lián)網(wǎng)的快速發(fā)展，人類社會(huì)開(kāi)始面臨嚴(yán)重的“信息過(guò)載”問(wèn)題。推薦系統(tǒng)是互聯(lián)網(wǎng)平臺(tái)緩解這一問(wèn)題、改善用戶體驗(yàn)的關(guān)鍵技術(shù)。經(jīng)典的推薦模型包括協(xié)同過(guò)濾和矩陣分解模型。這些模型的核心思想是通過(guò)用戶與物品的歷史交互數(shù)據(jù)（比如點(diǎn)擊、觀看、評(píng)論、轉(zhuǎn)發(fā)等）進(jìn)行相似度計(jì)算，并根據(jù)相似度進(jìn)行相似用戶或者物品的推薦。但用戶的歷史交互數(shù)據(jù)非常稀疏，基于交互數(shù)據(jù)進(jìn)行推薦使得推薦結(jié)果的可解釋性較差，且不可避免地存在冷啟動(dòng)問(wèn)題[1]。為了解決上述問(wèn)題，提高推薦效果，研究人員開(kāi)始在推薦系統(tǒng)中引入輔助信息。常用的輔助信息包括用戶物品屬性信息，比如用戶畫像信息；內(nèi)容信息，比如文本信息、圖像信息；上下文信息，比如時(shí)間、地點(diǎn)；社交網(wǎng)絡(luò)信息，比如用戶的好友關(guān)系等。隨著深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks， DNN）的廣泛應(yīng)用，為了有效融合多源的輔助信息，研究人員開(kāi)始基于DNN架構(gòu)設(shè)計(jì)個(gè)性化推薦系統(tǒng)[2]。DNN模型能夠自動(dòng)從多源輔助信息中挖掘高階個(gè)性化興趣特征，從而改善傳統(tǒng)推薦模型的各種問(wèn)題。尤其是圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks， GNN）[3]技術(shù)的研究取得進(jìn)展后，利用非歐幾里得空間的圖數(shù)據(jù)作為輔助信息進(jìn)行推薦受到研究人員的重點(diǎn)關(guān)注。

知識(shí)圖譜（Knowledge Graph， KG）是一種由實(shí)體（Entity）節(jié)點(diǎn)和邊組成的異構(gòu)網(wǎng)絡(luò)圖，具有豐富的語(yǔ)義結(jié)構(gòu)信息。知識(shí)圖譜由三元組（h，r，t）集合組成。其中h表示頭實(shí)體，t表示尾實(shí)體，r表示h和t之間的關(guān)系。如果將推薦系統(tǒng)中的用戶或者物品映射到知識(shí)圖譜中的相關(guān)實(shí)體，那么知識(shí)圖譜可以提供豐富的先驗(yàn)知識(shí)信息。

利用知識(shí)圖譜進(jìn)行個(gè)性化推薦的方法主要分為三類：基于嵌入的方法、基于路徑的方法、一體化方法[4]?；谇度氲姆椒?，先使用經(jīng)典的知識(shí)圖譜嵌入表示模型，比如Trans系列模型，學(xué)習(xí)每個(gè)實(shí)體與關(guān)系的低維表示向量，然后基于表示向量計(jì)算相似度從而進(jìn)行推薦。典型模型有CKE[5]、MKR[6]等。此類模型直接利用三元組信息進(jìn)行表示向量學(xué)習(xí)，非常適用于知識(shí)圖譜內(nèi)部進(jìn)行知識(shí)推理與補(bǔ)全；但由于在訓(xùn)練時(shí)沒(méi)有考慮路徑上的鄰居節(jié)點(diǎn)信息，因而將其應(yīng)用于推薦系統(tǒng)時(shí)存在局限性?；诼窂降姆椒ㄍㄟ^(guò)在知識(shí)圖譜中提取用戶-物品二元組之間的元路徑或元圖類隱特征，從而完成相似度的計(jì)算。由于其利用了知識(shí)圖譜的語(yǔ)義結(jié)構(gòu)信息，能夠挖掘用戶的個(gè)性化興趣，具有較好的可解釋性。典型模型有HeteRec[7]等。但是此類方法非常依賴于人工設(shè)計(jì)的元路徑或元圖，在現(xiàn)實(shí)場(chǎng)景中難以應(yīng)用。最近的研究工作開(kāi)始借助深度神經(jīng)網(wǎng)絡(luò)模型自動(dòng)提取元路徑，一定程度上改善了基于路徑方法的可用性與準(zhǔn)確性。一體化方法則充分結(jié)合了以上兩類模型的優(yōu)勢(shì)，即使用嵌入方法學(xué)習(xí)實(shí)體與關(guān)系的表示向量，又利用路徑信息即連接關(guān)系進(jìn)行鄰居實(shí)體表示向量的特征融合。用戶或者物品的特征信息在知識(shí)圖譜中向鄰居實(shí)體進(jìn)行多階傳播后，即可學(xué)習(xí)到用戶更廣泛的個(gè)性化興趣特征。典型的一體化推薦方法有RippleNet[8]、KGAT[9]、KGCN[10]等。一體化方法充分利用了知識(shí)圖譜數(shù)據(jù)的結(jié)構(gòu)關(guān)系與語(yǔ)義信息，在學(xué)習(xí)到個(gè)性化興趣特征的同時(shí)還具有非常好的可解釋性。特別是知識(shí)圖譜數(shù)據(jù)屬于典型的非歐幾里得空間數(shù)據(jù)，近些年來(lái)提出的圖卷積網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)等模型使得在深度神經(jīng)網(wǎng)絡(luò)架構(gòu)下處理這類數(shù)據(jù)成為可能。一體化方法因而成為研究人員重點(diǎn)關(guān)注的方向。但由于知識(shí)計(jì)算與信息傳播方法的多樣性，尤其考慮到知識(shí)圖譜中的實(shí)體具有嚴(yán)格的連接推理關(guān)系，現(xiàn)有模型并未充分利用以上特性從知識(shí)圖譜結(jié)構(gòu)及語(yǔ)義上挖掘用戶興趣特征，因此融合知識(shí)圖譜的個(gè)性化推薦模型有待進(jìn)一步研究完善。

綜合上述分析，本文提出知識(shí)協(xié)同傳播推薦模型KCOD（Knowledge COllaborative Diffusion Recommendation Model）。首先KCOD將知識(shí)圖譜表示學(xué)習(xí)方法融入特征學(xué)習(xí)過(guò)程，基于DistMult[11]和TransR[12]模型對(duì)知識(shí)圖譜中實(shí)體三元組（h，r，t）的語(yǔ)義關(guān)系進(jìn)行建模，并通過(guò)矩陣運(yùn)算進(jìn)行表示向量推理。然后KCOD將用戶歷史交互實(shí)體向量和候選物品實(shí)體向量在知識(shí)圖譜中同時(shí)擴(kuò)散傳播，并通過(guò)交替計(jì)算向量推理結(jié)果的相似度來(lái)學(xué)習(xí)語(yǔ)義結(jié)構(gòu)信息。

1 ?基于知識(shí)圖譜信息協(xié)同傳播的推薦

1.1 ?感受野集合

知識(shí)圖譜中實(shí)體的感受野集合是指由實(shí)體節(jié)點(diǎn)與鄰居實(shí)體節(jié)點(diǎn)組成的三元組集合。例如某實(shí)體a的多階感受野集合示意圖如圖1所示。則圖中實(shí)體a的0階感受野Na（0）等于a本身，實(shí)體a的1階感受野為 ；實(shí)體a的2階感受野為 ，其中

通常，在構(gòu)建感受野集合時(shí)，需要將每一個(gè)實(shí)體的一階鄰居數(shù)量設(shè)置為固定值n。如果實(shí)體的鄰居數(shù)量大于n，則進(jìn)行隨機(jī)采樣；如果實(shí)體的鄰居數(shù)量小于n，則進(jìn)行重復(fù)采樣。

1.2 ?知識(shí)協(xié)同傳播推薦模型

KCOD的結(jié)構(gòu)圖如圖2所示。KCOD模型首先構(gòu)建兩個(gè)實(shí)體感受野集合，一個(gè)是用戶u的歷史交互實(shí)體感受野集合Nu，另一個(gè)是候選物品v的實(shí)體感受野集合Nv。然后，KCOD在兩個(gè)感受野集合中同時(shí)傳播特征信息。在向每一階鄰居實(shí)體擴(kuò)散信息時(shí)，KCOD假設(shè)由Nu（i）中的（hu，ru，tu）推理出的Muhu與Nv（i）中（hv，rv，tv）的tv具有較高的相似度，同樣由Nv（i）中（hv，rv，tv）推理出的Mvhv與Nu（i）中（hu，ru，tu）的tu具有較高的相似度。KCOD模型最終輸出由sigmoid函數(shù)基于這兩個(gè)相似度數(shù)值之和計(jì)算的交互概率。

1.2.1 ?特征協(xié)同傳播層

KCOD模型基于DistMult模型和TransR模型建模知識(shí)圖譜中實(shí)體三元組（h，r，t）的語(yǔ)義關(guān)系：

tr = Mr Rr h ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

其中tr = Rr t，Mr和Rr分別表示關(guān)系r對(duì)應(yīng)的轉(zhuǎn)換矩陣和投影矩陣。

然后，如圖2所示，KCOD在用戶u的歷史交互實(shí)體感受野集合Nu和候選物品實(shí)體v的感受野集合Nv中同時(shí)進(jìn)行信息擴(kuò)散傳播。在用戶的第i階感受野Nu（i）中進(jìn)行信息擴(kuò)散時(shí)，KCOD首先對(duì)Nu（i）中的所有三元組（h，r，t）計(jì)算出以下結(jié)果：

（2）

（3）

其中l(wèi)2_normalize（）表示對(duì)計(jì)算出的特征表示向量進(jìn)行L2正則化，hw表示將基于知識(shí)圖譜表示學(xué)習(xí)算法推理出的尾實(shí)體向量之和進(jìn)行正則化的結(jié)果。

同樣，在候選物品的感受野集合Nv中進(jìn)行信息擴(kuò)散時(shí)，KCOD首先對(duì)Nv（i）中的所有三元組（hv，rv，tv）計(jì)算出以下結(jié)果：

（4）

（5）

接著，KCOD分別計(jì)算出用戶歷史交互實(shí)體感受野集合Nu（i）對(duì)應(yīng)的hw和t s以及候選物品實(shí)體感受野集合Nv（i）對(duì)應(yīng)的 ?和 ?后，再通過(guò)下式交叉計(jì)算這四組特征表示向量的相似度：

（6）

（7）

最后，KCOD將（6）式和（7）式的結(jié)果求和后作為第i階感受野的相似度綜合得分：

si = su， v + sv， u ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

1.2.2 ?預(yù)測(cè)層

KCOD模型通過(guò)迭代執(zhí)行式（2）～（8）計(jì)算出全部K階感受野的相似度得分 ，然后加和全部K階感受野的相似度綜合得分：

ssum = s1 + s2 + … + sK ? ? ? ? ? ? ? ? ? ?（9）

最后，KCOD模型通過(guò)sigmoid函數(shù)輸出預(yù)測(cè)的用戶與候選物品的交互概率：

（10）

1.2.3 ?模型訓(xùn)練

KCOD模型的優(yōu)化目標(biāo)定義為給定知識(shí)圖譜G以及用戶-物品交互矩陣Y，優(yōu)化如下的后驗(yàn)概率：

max p（θ | G， Y ） ? ? ? ? ? ? ? ? ? ?（11）

基于貝葉斯定理，即為最大化式（12）：

（12）

取負(fù)對(duì)數(shù)，得到KCOD需要最小化的損失函數(shù)如下：

（13）

式中第一項(xiàng)表示基于交互矩陣與預(yù)測(cè)概率計(jì)算的交叉熵?fù)p失，其yu，v表示交互矩陣中樣本的實(shí)際標(biāo)簽值，σ （ssum）表示模型基于用戶相似度得分的總和預(yù)測(cè)的交互概率；第二項(xiàng)表示基于知識(shí)圖譜表示學(xué)習(xí)模型與實(shí)體連接關(guān)系計(jì)算的均方誤差；第三項(xiàng)表示模型待學(xué)習(xí)參數(shù)的正則化項(xiàng)。

2 ?實(shí)驗(yàn)與分析

本節(jié)對(duì)KCOD模型的性能進(jìn)行實(shí)驗(yàn)分析，使用的數(shù)據(jù)集是MovieLens-1M和MovieLens-20M。

2.1 ?數(shù)據(jù)集

MovieLens-1M數(shù)據(jù)集是取自MovieLens電影評(píng)分推薦網(wǎng)站的經(jīng)典電影評(píng)分?jǐn)?shù)據(jù)集，它包含了約

6 000名用戶對(duì)約4 000部電影的近100萬(wàn)條評(píng)分記錄，分值從1到5。相比MovieLens-1M，MovieLens-20M數(shù)據(jù)集則包含了約138 000名用戶對(duì)約27 000部電影的近2 000萬(wàn)條評(píng)分記錄。實(shí)驗(yàn)使用的樣本數(shù)據(jù)是文獻(xiàn)[9]和文獻(xiàn)[11]公開(kāi)的基于MovieLens-1M和MovieLens-20M處理后的數(shù)據(jù)集。這兩個(gè)預(yù)處理后的包含知識(shí)圖譜的數(shù)據(jù)集其基本統(tǒng)計(jì)信息如表1所示。在數(shù)據(jù)預(yù)處理部分，文獻(xiàn)先將數(shù)據(jù)集的顯式交互評(píng)分轉(zhuǎn)化成隱式標(biāo)簽數(shù)據(jù)。轉(zhuǎn)化時(shí)，評(píng)分大于3的樣本數(shù)據(jù)轉(zhuǎn)換成正樣本標(biāo)簽1。同時(shí)，文獻(xiàn)對(duì)評(píng)分記錄中用戶沒(méi)有評(píng)價(jià)過(guò)的電影集合進(jìn)行隨機(jī)負(fù)采樣。隨機(jī)負(fù)采樣生成的負(fù)標(biāo)簽樣本與正標(biāo)簽樣本數(shù)量相等。文獻(xiàn)基于MovieLens數(shù)據(jù)集和微軟Satori生成電影知識(shí)圖譜三元組時(shí)，先依據(jù)關(guān)系名稱初步篩選出知識(shí)圖譜電影子圖，然后將MovieLens數(shù)據(jù)集中的電影名稱與子圖實(shí)體名稱進(jìn)行一一匹配，從而構(gòu)建出MovieLens對(duì)應(yīng)的電影知識(shí)圖譜。

2.2 ?實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)中的對(duì)比模型包括SVD、CKE、RippleNet和KGCN。硬件訓(xùn)練環(huán)境為Intel Core i7-6800K和Nvidia GTX 1080 Ti，軟件訓(xùn)練環(huán)境為TensorFlow v1.14和Python V3.7。KCOD模型的超參數(shù)設(shè)置如表2所示，其中dim表示實(shí)體與關(guān)系的特征表示向量維度，hop表示最高感受野階數(shù)K，lr表示學(xué)習(xí)率，num表示每階感受野采樣的鄰居節(jié)點(diǎn)個(gè)數(shù)，λ1和λ2表示正則化項(xiàng)的衰減系數(shù)。這些超參數(shù)取值主要參考經(jīng)驗(yàn)數(shù)據(jù)并通過(guò)參數(shù)搜索實(shí)驗(yàn)確定。模型優(yōu)化器采用Adam算法。對(duì)比模型的超參數(shù)設(shè)置參考了原論文中的參數(shù)設(shè)置，但為了公平比較，一些參數(shù)設(shè)置成和本章所提模型盡量相同。例如，SVD模型的表示向量維度設(shè)置為32，學(xué)習(xí)率設(shè)置為0.01。CKE模型的表示向量維度設(shè)置為64。RippleNet與KGCN的超參數(shù)設(shè)置取原論文最優(yōu)實(shí)驗(yàn)結(jié)果的參數(shù)。實(shí)驗(yàn)按照6：2：2的比例從樣本數(shù)據(jù)中隨機(jī)選擇出訓(xùn)練集、驗(yàn)證集以及測(cè)試集。為了充分驗(yàn)證模型的性能，本文使用AUC、準(zhǔn)確率（Accuracy， ACC）、召回率（Recall@N）以及精確率（Precision@N）作為實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)，對(duì)每個(gè)模型分別進(jìn)行3次實(shí)驗(yàn)，并取實(shí)驗(yàn)結(jié)果的平均值作為對(duì)比數(shù)據(jù)。

2.3 ?實(shí)驗(yàn)結(jié)果

各模型的實(shí)驗(yàn)結(jié)果如表3、圖3、圖4、圖5、圖6所示。結(jié)果表明，經(jīng)典的SVD取得了相對(duì)較好的性能，這證明了矩陣分解模型的有效性。結(jié)合知識(shí)圖譜的CKE模型并未取得理想的結(jié)果，說(shuō)明CKE未能有效地學(xué)習(xí)到知識(shí)圖譜的語(yǔ)義信息。RippleNet和KGCN的結(jié)果超過(guò)其他的對(duì)比模型，這說(shuō)明基于一體化方法利用知識(shí)圖譜進(jìn)行推薦比較有效。本文提出的KCOD模型在AUC、ACC、Recall@N以及Precision@N四個(gè)指標(biāo)上都取得了最好的實(shí)驗(yàn)結(jié)果。這證明在特征信息擴(kuò)散過(guò)程中引入DistMult和TransR模型可以更好地學(xué)習(xí)用戶的個(gè)性化興趣特征，從而提高表示向量的準(zhǔn)確度。從數(shù)據(jù)集上看，所有模型的性能在MovieLens-20M上都有提升。這是因?yàn)镸ovieLens-20M擁有更多的訓(xùn)練樣本，可以更充分地挖掘特征信息。

表4顯示的是各模型在MovieLens-20M上完成一輪訓(xùn)練的訓(xùn)練時(shí)間。相比RippleNet，KCOD擁有更低的訓(xùn)練時(shí)間。這說(shuō)明KCOD復(fù)雜度低，訓(xùn)練效率高，能夠有效地學(xué)習(xí)鄰居節(jié)點(diǎn)的特征信息。

實(shí)驗(yàn)還調(diào)整了一些超參數(shù)的取值來(lái)研究其對(duì)于模型性能的影響。首先，實(shí)驗(yàn)將超參數(shù)num設(shè)置為不同的值并在MovieLens-20M數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果如表5所示。實(shí)驗(yàn)結(jié)果表明KCOD在num = 32時(shí)達(dá)到最優(yōu)性能。這說(shuō)明合適的num值可以使模型學(xué)習(xí)到最豐富的特征信息。

然后，實(shí)驗(yàn)將超參數(shù)dim設(shè)置為不同的值并在MovieLens-20M數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果如表6所示。實(shí)驗(yàn)結(jié)果表明KCOD在dim = 16時(shí)達(dá)到最優(yōu)性能。這是因?yàn)樵黾觗im值可以增加特征表示向量的表達(dá)能力，但過(guò)高的dim值會(huì)導(dǎo)致過(guò)擬合現(xiàn)象，并增加模型復(fù)雜度。

最后，實(shí)驗(yàn)將超參數(shù)hop設(shè)置為不同的值并在MovieLens-20M數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果如表7所示。實(shí)驗(yàn)結(jié)果表明KCOD在hop = 2時(shí)達(dá)到最優(yōu)性能。這說(shuō)明引入多階鄰居信息可以提高KCOD的性能，但是過(guò)高的鄰居階數(shù)又會(huì)引入噪聲，降低模型性能。

3 ?結(jié) ?論

將知識(shí)圖譜含有的語(yǔ)義結(jié)構(gòu)信息集成到個(gè)性化推薦系統(tǒng)中，可以改善數(shù)據(jù)稀疏性、冷啟動(dòng)和可解釋性等問(wèn)題。為了學(xué)習(xí)這些語(yǔ)義結(jié)構(gòu)信息，基于知識(shí)圖譜表示學(xué)習(xí)模型DistMult與TransR，本文提出的KCOD模型對(duì)知識(shí)圖譜三元組之間的關(guān)系進(jìn)行了矩陣化推理計(jì)算，并將推理結(jié)果應(yīng)用到信息擴(kuò)散過(guò)程中。KCOD通過(guò)交叉計(jì)算每一階歷史交互實(shí)體向量推理結(jié)果與候選物品實(shí)體向量推理結(jié)果的相似度進(jìn)行模型訓(xùn)練及偏好預(yù)測(cè)。本文在兩個(gè)MovieLens數(shù)據(jù)集上對(duì)KCOD進(jìn)行性能對(duì)比分析。實(shí)驗(yàn)結(jié)果表明KCOD優(yōu)于經(jīng)典的對(duì)比模型，可以有效地學(xué)習(xí)知識(shí)圖譜的語(yǔ)義結(jié)構(gòu)信息。

參考文獻(xiàn)：

[1] CAMACHO L A G，ALVES-SOUZA S N. Social Network Data to Alleviate Cold-start in Recommender System： A Systematic Review [J].Information Processing and Management，2018，54（4）：529-544.

[2] 王越群.基于知識(shí)圖譜的深度推薦系統(tǒng)研究 [D].長(zhǎng)春：吉林大學(xué)，2022.

[3] WU Z H，PAN S R，CHEN F W，et al. A Comprehensive Survey on Graph Neural Networks [J].IEEE Transactions on Neural Networks and Learning Systems，2021，32（1）：4-24.

[4] GUO Q Y，ZHUANG F Z，QIN C，et al. A Survey on Knowledge Graph-Based Recommender Systems [J].IEEE Transactions on Knowledge and Data Engineering，2020，34（8）：3549-3568.

[5] ZHANG F Z，YUAN N J，LIAN D F，et al. Collaborative Knowledge Base Embedding for Recommender Systems [C]//Proceedings of the 22nd ACM International Conference on Knowledge Discovery and Data Mining.San Francisco：ACM，2016：353-362.

[6] WANG H W，ZHANG F Z，ZHAO M，et al. Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation [C]//The World Wide Web Conference.San Francisco：ACM，2019：2000-2010.

[7] YU X，REN X，SUN Y Z，et al. Recommendation in Heterogeneous Information Networks with Implicit User Feedback [C]//Proceedings of the 7th ACM conference on Recommender Systems.Hong Kong：ACM，2013：347-350.

[8] WANG H W，ZHANG F Z，WANG J L，et al. Ripplenet： Propagating User Preferences on the Knowledge Graph for Recommender Systems [C]//Proceedings of the 27th ACM International Conference on Information and Knowledge Management.Torino：ACM，2018：417-426.

[9] WANG X，HE X N，CAO Y X，et al. KGAT： Knowledge Graph Attention Network for Recommendation [C]//Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.Anchorage：ACM，2019：950-958.

[10] WANG H W，ZHAO M，XIE X，et al. Knowledge Graph Convolutional Networks for Recommender Systems [C]//WWW '19： the World Wide Web Conference.San Francisco：ACM，2019：3307-3313.

[11] YANG B S，YIH W-T，HE X D，et al. Embedding Entities and Relations for Learning and Inference in Knowledge Bases [J/OL].arXiv：1412.6575 [cs.CL].（2014-12-20）.https：//arxiv.org/abs/1412.6575v1.

[12] 田萱，陳杭雪.推薦任務(wù)中知識(shí)圖譜嵌入應(yīng)用研究綜述 [J].計(jì)算機(jī)科學(xué)與探索，2022，16（8）：1681-1705.

作者簡(jiǎn)介：張海龍（1988—），男，漢族，山東蘭陵人，工程師，博士，研究方向：數(shù)據(jù)分析、推薦系統(tǒng)；顏金堯（1973—），男，漢族，浙江海寧人，研究員，博士，研究方向：數(shù)據(jù)分析、多媒體計(jì)算與傳播。