知識圖譜研究綜述

摘要：隨著信息時代數(shù)據(jù)量的爆炸性增長，傳統(tǒng)知識庫已難以滿足目前的數(shù)據(jù)存儲需求。知識圖譜通過整合多元數(shù)據(jù)并以結(jié)構(gòu)化方式展現(xiàn)，能有效應(yīng)對大數(shù)據(jù)挑戰(zhàn)，因此成為人工智能領(lǐng)域的研究熱點。文章首先概述知識圖譜的基礎(chǔ)理論，其次從三個關(guān)鍵環(huán)節(jié)探討構(gòu)建知識圖譜的技術(shù)細(xì)節(jié)及模型優(yōu)劣，在此基礎(chǔ)上提出一套系統(tǒng)的技術(shù)路徑，最后通過提出兩個應(yīng)用框架凸顯知識圖譜在實際應(yīng)用中的優(yōu)勢。文章旨在幫助研究者掌握知識圖譜的關(guān)鍵技術(shù)，為推動知識圖譜的發(fā)展提供堅實的理論基礎(chǔ)。

關(guān)鍵詞：知識圖譜；知識圖譜構(gòu)建；知識推理；深度學(xué)習(xí)；應(yīng)用框架

中圖分類號：TP39" " 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）19-0037-05

開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID）

0 引言

隨著信息技術(shù)的飛速發(fā)展，萬物互聯(lián)已經(jīng)成為現(xiàn)實，這也導(dǎo)致了數(shù)據(jù)量的急劇增加。傳統(tǒng)知識庫在應(yīng)對海量數(shù)據(jù)增長的挑戰(zhàn)時，表現(xiàn)出顯著的局限性。相比之下，知識圖譜在處理大規(guī)模數(shù)據(jù)方面展現(xiàn)出明顯的優(yōu)勢，因而逐步成為應(yīng)對數(shù)據(jù)挑戰(zhàn)的有效工具。

知識圖譜是人工智能領(lǐng)域的關(guān)鍵技術(shù)之一，由谷歌公司在2012年5月17日提出[1]。這一倡議不僅推動了知識表示和推理方法的發(fā)展，還為解決復(fù)雜的人工智能問題提供新的視角和工具。隨著深度學(xué)習(xí)這一人工智能領(lǐng)域的另一項關(guān)鍵技術(shù)的發(fā)展，知識圖譜與深度學(xué)習(xí)的創(chuàng)新性整合，使其廣泛應(yīng)用于諸多領(lǐng)域，尤其在問答系統(tǒng)和推薦系統(tǒng)中表現(xiàn)突出。

本文基于已有研究成果，進(jìn)一步調(diào)研了近四年的相關(guān)文獻(xiàn)，通過分析與總結(jié)，將知識圖譜的構(gòu)建過程劃分為知識抽取、知識融合和知識加工三個關(guān)鍵步驟，并重點分析知識加工中的推理模型。接著，本文提出一套涵蓋數(shù)據(jù)采集、知識抽取、融合與加工全過程的技術(shù)路徑圖。最后，通過介紹兩種下游應(yīng)用，分別提出了基于知識圖譜的問答系統(tǒng)和推薦系統(tǒng)框架。

1 基礎(chǔ)理論

知識圖譜以結(jié)構(gòu)化方式具體呈現(xiàn)物理世界中存在的復(fù)雜概念及其關(guān)系符號[2]，并通過降低數(shù)據(jù)粒度來聚合大量知識。簡而言之，知識圖譜是一個連接各種不同信息的語義網(wǎng)[3]。

語義網(wǎng)與語義網(wǎng)絡(luò)的概念有所不同。語義網(wǎng)絡(luò)于1968年首次提出，但缺乏定義節(jié)點與邊的標(biāo)準(zhǔn)和規(guī)范。語義網(wǎng)基于英國科學(xué)家蒂姆·伯納斯-李（Tim Berners-Lee，1955—） 于1989年發(fā)明的萬維網(wǎng)，不僅定義了節(jié)點與邊的標(biāo)準(zhǔn)和規(guī)范，還在超鏈接中融入語義關(guān)系。語義網(wǎng)的提出催生了大量相關(guān)項目。2012年，谷歌發(fā)布了第一個采用知識圖譜技術(shù)的搜索引擎，正式提出知識圖譜的概念。自此，知識圖譜迅速發(fā)展。近年來，國內(nèi)也推出了諸如Zhishi. me等中文知識圖譜，但整體研究仍處于初級階段。知識圖譜形成歷程如圖1所示。

構(gòu)成知識圖譜的基本要素包括實體、屬性和關(guān)系[4]。其中，關(guān)系鏈接實體，屬性補充實體信息。知識圖譜通常采用三元組的形式表示，格式為lt;頭實體，關(guān)系，尾實體gt;。在知識圖譜中，三元組的頭、尾實體以節(jié)點形式出現(xiàn)，表示物理世界中的概念；屬性以屬性值的形式附加于相應(yīng)實體；關(guān)系則以邊的形式鏈接節(jié)點，表示概念間的相互聯(lián)系。

相較于傳統(tǒng)數(shù)據(jù)庫，知識圖譜具有語義豐富、支持多關(guān)系和強推理能力等優(yōu)勢，能夠處理包括文本、圖像和聲音在內(nèi)的多種數(shù)據(jù)類型。這些特性使知識圖譜在醫(yī)療、金融、工業(yè)等多個領(lǐng)域得到廣泛應(yīng)用，特別在智慧問答和推薦系統(tǒng)中發(fā)揮重要作用。

2 知識圖譜構(gòu)建過程

本文采用自底向上的建模方法探討構(gòu)建知識圖譜的技術(shù)，主要分為三個步驟：知識抽取、知識融合和知識加工。

2.1 知識抽取

2.1.1 原始數(shù)據(jù)采集

原始數(shù)據(jù)通常以結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化三種形式存在[5]。傳統(tǒng)的數(shù)據(jù)采集依賴人工手段，耗時且費力。隨著計算機技術(shù)的發(fā)展，數(shù)據(jù)采集已基本實現(xiàn)自動化處理，如眾包法、爬蟲和機器學(xué)習(xí)等。其中，基于Python的Scrapy、Requests和Selenium框架因其高效、簡便及強大的反爬蟲能力而被廣泛應(yīng)用。

2.1.2 知識抽取

知識抽取指從原始數(shù)據(jù)中提取構(gòu)建知識圖譜所需的三元組，其中命名實體識別和關(guān)系抽取是關(guān)鍵步驟。

1） 命名實體識別

命名實體識別技術(shù)最早基于規(guī)則和詞典，隨后發(fā)展為依賴統(tǒng)計機器學(xué)習(xí)的方法，如隱馬爾可夫模型和條件隨機場模型等。盡管這些方法在性能上優(yōu)于傳統(tǒng)方法，但它們僅注重單個字符，并依賴規(guī)則和詞典信息，缺乏對上下文特征的捕捉，因而在實際應(yīng)用中受到限制。

針對上述問題，Collobert等人于2011年首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于命名實體識別，利用神經(jīng)網(wǎng)絡(luò)的特征提取能力，增強模型對上下文信息的捕捉能力。隨著圖神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)等技術(shù)的相繼出現(xiàn)，實體抽取模型已能夠考慮上下文語境，減少了對規(guī)則和詞典的過度依賴。為了提升模型的泛化能力，預(yù)訓(xùn)練語言模型（如BERT，Bidirectional Encoder Representation from Transformers） 成為命名實體識別的研究重點。如EMSI-BERT模型[6]基于BERT模型并應(yīng)用于醫(yī)藥領(lǐng)域，顯著提升了藥物間相互作用提取的準(zhǔn)確性。

2） 關(guān)系抽取

關(guān)系抽取技術(shù)從基于規(guī)則和模板的方法，發(fā)展到基于機器學(xué)習(xí)的高級方法，其中半監(jiān)督和無監(jiān)督學(xué)習(xí)因其減少對標(biāo)注數(shù)據(jù)的依賴而受到更多關(guān)注。然而，基于機器學(xué)習(xí)的方法普遍存在特征提取錯誤的問題，因此深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于關(guān)系抽取。

基于深度學(xué)習(xí)的關(guān)系抽取方法主要分為流水線和聯(lián)合學(xué)習(xí)兩類。流水線方法通過結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)提升抽取性能，但可能在實體與關(guān)系抽取之間產(chǎn)生冗余。聯(lián)合學(xué)習(xí)方法則強調(diào)同步抽取實體和關(guān)系，從而減少冗余。這一設(shè)想由Miwa等人于2016年初步實現(xiàn)。近年來，聯(lián)合抽取方法已得到全面實現(xiàn)。最新的PRTA模型不僅保證了實體與關(guān)系的一致性聯(lián)合抽取，還將其具體應(yīng)用于醫(yī)療領(lǐng)域。

2.2 知識融合

結(jié)構(gòu)化數(shù)據(jù)可以直接整合至目標(biāo)知識圖譜，如來源于YAGO、Freebase等知識庫的數(shù)據(jù)。相對而言，半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)則須先行進(jìn)行知識抽取，轉(zhuǎn)化為三元組形式，隨后才可進(jìn)行整合。在此過程中，共指消解和實體消歧問題是主要的挑戰(zhàn)。

共指消解指將同義但不同名的實體進(jìn)行鏈接，而實體消歧則指區(qū)分同名但不同義的實體。早期，這兩種問題主要通過基于規(guī)則的方法來解決，然而這種方法的泛化能力有限。隨后，無監(jiān)督貝葉斯和詞共現(xiàn)聚類等機器學(xué)習(xí)技術(shù)的應(yīng)用，雖然提升了模型的泛化能力和準(zhǔn)確性，但在訓(xùn)練過程中依賴于難以獲得的先驗知識。深度學(xué)習(xí)方法借助于神經(jīng)網(wǎng)絡(luò)的強大能力，在保持泛化能力和準(zhǔn)確性的同時，進(jìn)一步減少了對先驗知識的依賴，因此成為當(dāng)前研究的熱點。

2.3 知識加工

2.3.1 構(gòu)建本體與質(zhì)量評估

本體定義物理概念，而實體則特定實例。例如，“姚明”作為“人”這一概念的具體實例。本體構(gòu)建初期，主要依賴人工方法。然而隨著數(shù)據(jù)量的激增，自動化構(gòu)建方法成為主流。近年來，研究者開發(fā)了多種自動化技術(shù)，包括基于混合神經(jīng)網(wǎng)絡(luò)和自編碼器的方法，以及利用OWL（Web Ontology Language） 語言和SWRL（Semantic Web Rule Language） 規(guī)則等。

知識圖譜的質(zhì)量評估標(biāo)準(zhǔn)，因應(yīng)用場景而異。例如，在大型知識圖譜中，一致性和準(zhǔn)確性是常用的評估指標(biāo)。盡管目前對質(zhì)量評估的研究相對較少，但隨著知識圖譜的廣泛應(yīng)用，預(yù)計未來對質(zhì)量評估的需求將顯著增長。

2.3.2 知識推理

知識推理通過分析知識圖譜中的實體和關(guān)系數(shù)據(jù)以推導(dǎo)出新的結(jié)論。從知識表示的角度將知識推理模型分為三種類型。

1） 基于平移距離的推理

TransE模型[7]是最經(jīng)典的平移距離模型之一。其將三元組（h，r，t） 映射到低維向量空間，得到代表頭實體、關(guān)系和尾實體的向量表示h，r，t。若三元組在知識圖譜中存在，則向量h與r的和近似等于向量t，即[h+r≈t]。TransE簡單高效，但會將具有相同關(guān)系的實體翻譯成同一向量，因此無法有效處理復(fù)雜的關(guān)系類型。

為了解決這個問題，TransH模型將關(guān)系建模到超平面，再將實體投影到超平面。由于不同實體投影到超平面的結(jié)果不同，TransH能夠區(qū)分具有相同關(guān)系的實體向量。TransR模型則進(jìn)一步改進(jìn)，將實體、關(guān)系分別映射到不同的空間，再通過一個投影矩陣將頭、尾實體投影到關(guān)系空間，從而進(jìn)行平移操作。

TorusE模型對映射空間進(jìn)行改進(jìn)，將其從普通向量空間轉(zhuǎn)變?yōu)榫o致的可交換李群（圓環(huán)面） 。RotatE模型則將關(guān)系定義為復(fù)向量空間中的旋轉(zhuǎn)，能夠有效地建模對稱關(guān)系。

開源知識圖譜存在大量的間接關(guān)系，而TransE僅考慮直接關(guān)系。因此，研究者開始向三元組附加約束信息。如PtransE模型通過路徑約束建模多跳關(guān)系，AiTransE模型融合關(guān)聯(lián)信息約束，DTransE模型采用分布式方法，以加速知識圖譜的推理過程等。

2） 基于張量分解的推理

RESCAL模型基于三維張量分解理論，將每個關(guān)系視為張量中的一個矩陣切片。類似于使用鄰接矩陣，來表示實體間是否存在某種關(guān)系，其中1表示存在，0表示不存在。然而，RESCAL模型無法處理反對稱關(guān)系。

針對這一局限性，DistMult模型將關(guān)系映射定義為對角矩陣。SimplE模型則進(jìn)一步對頭、尾實體和關(guān)系的映射向量進(jìn)行關(guān)聯(lián)擴展。此外，研究者通過多種方法對模型進(jìn)行優(yōu)化。如HolE模型將實體與關(guān)系的映射定義為一維向量，GETD模型將張量分解的概念從二元關(guān)系拓展到多元關(guān)系，BDRI模型通過塊項分解強調(diào)逆關(guān)系的重要性等。

3） 基于神經(jīng)網(wǎng)絡(luò)的推理

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行知識推理，能有效發(fā)揮其處理復(fù)雜關(guān)系和提取深層特征的能力。

Dettmers等人在2018年提出了首個利用二維卷積網(wǎng)絡(luò)進(jìn)行知識圖譜推理的ConvE模型。ConvE通過向量重塑、堆疊、卷積和全連接層，對三元組向量h，r，t進(jìn)行評分。具體而言，首先將h和r重塑為二維矩陣形式，然后堆疊這些矩陣以進(jìn)行卷積操作，如圖2所示。卷積得到的特征向量通過全連接層，映射到與t相同維度的空間，接著進(jìn)行點積操作，點積結(jié)果即該三元組的評分。然而，僅對h，r重塑后的堆疊位置進(jìn)行卷積，其特征提取能力仍有待提高。

為了解決這個問題，ConvR模型將r重塑到參數(shù)空間，如圖2所示，其他操作不變。ConvKB模型則直接將h，r，t堆疊成一個矩陣A，增大堆疊范圍，如圖3所示，其他操作不變。InteractE模型[8]以ConvE為基礎(chǔ)，從h，r向量內(nèi)部隨機排列、最大特征交互、圓周卷積三個關(guān)鍵思想，增加h與r之間的特征交互數(shù)量。并且特別證明，增加特征交互有利于鏈接預(yù)測性能。

CapsE模型[9]采用膠囊網(wǎng)絡(luò)，來捕捉三元組內(nèi)部特征的位置關(guān)系。該模型將ConvKB模型卷積得到的特征圖封裝成膠囊，再通過路由算法得到?jīng)Q策膠囊，最終預(yù)測三元組的得分。

上述模型主要關(guān)注三元組內(nèi)部特征的提取，卻未能充分考慮三元組間的交互及整體圖結(jié)構(gòu)。圖神經(jīng)網(wǎng)絡(luò)技術(shù)通過編碼-解碼框架，彌補這一缺陷。編碼階段，提取三元組的結(jié)構(gòu)信息以生成向量表示；解碼階段，利用這些向量預(yù)測缺失鏈接。

R-GCN模型首次將圖卷積網(wǎng)絡(luò)應(yīng)用于知識圖譜，通過消息傳遞機制，在編碼階段聚合鄰居節(jié)點信息。SACN模型進(jìn)行改進(jìn)，通過引入可學(xué)習(xí)的權(quán)重，來調(diào)整不同鄰居節(jié)點信息的聚合程度。KBGAT模型則基于圖注意力網(wǎng)絡(luò)，通過注意力機制，在保留圖結(jié)構(gòu)的同時，有選擇性地提取鄰居節(jié)點信息。

為了進(jìn)一步提升知識推理能力，研究者開始融入附加信息。例如，GGAE模型通過聚合直接和間接鄰居的全局信息來增強模型，TPKGE模型則整合了實體描述和關(guān)系路徑信息等。

3 技術(shù)路徑

3.1 技術(shù)分析

經(jīng)過對第三章內(nèi)容的細(xì)致分析，我們歸納了各類知識推理模型的優(yōu)缺點，具體見表1。由表1所得，知識圖譜推理的發(fā)展目標(biāo)，是有效表示復(fù)雜關(guān)系和捕捉三元組的特征。盡管面臨多重挑戰(zhàn)，如綜合實體和關(guān)系的多維屬性、深層提取三元組的特征、利用附加信息等。然而，研究者已有明確的應(yīng)對方向，如整合自然語言處理和語義分析技術(shù)、融合多模態(tài)知識等。

3.2 技術(shù)路徑圖

對現(xiàn)有知識圖譜構(gòu)建過程及其核心技術(shù)進(jìn)行深入分析后，本文提出了一套完整的知識圖譜構(gòu)建技術(shù)路線圖，如圖4所示。相比于現(xiàn)有的構(gòu)建步驟，本文提出的技術(shù)路徑圖具有創(chuàng)新優(yōu)勢。首先介紹了兩種實體和關(guān)系抽取技術(shù)，為后續(xù)研究者提供多樣化的技術(shù)選擇。其次闡述了質(zhì)量評估與本體構(gòu)建的關(guān)系，為研究者探索數(shù)據(jù)層和模式層提供參考。最后對原始數(shù)據(jù)進(jìn)行細(xì)致的分類，使非專業(yè)人士也能快速掌握知識圖譜構(gòu)建過程中的數(shù)據(jù)流轉(zhuǎn)。

4 應(yīng)用分析

4.1 問答系統(tǒng)

相較于傳統(tǒng)問答系統(tǒng)，知識圖譜問答系統(tǒng)確實優(yōu)勢明顯[10]。其能高效處理復(fù)雜性問答，且可解釋性與泛化能力強，易于更新，已在多領(lǐng)域取得成果。

例如在醫(yī)學(xué)領(lǐng)域，劉煥勇的醫(yī)療問答機器人項目是一個典型案例。該項目以尋醫(yī)問藥疾病百科網(wǎng)為數(shù)據(jù)源，利用爬蟲技術(shù)獲取原始數(shù)據(jù)。接著，對數(shù)據(jù)進(jìn)行處理，提取出實體類型7項，總計4.4萬個實體，以及11類關(guān)系類型，約30萬條關(guān)系。然后對提取的知識進(jìn)行去重和消岐，以確定用于構(gòu)建知識圖譜的三元組。再生成本體，用以構(gòu)建實體間的細(xì)分關(guān)系，最終形成醫(yī)藥領(lǐng)域知識圖譜。問答機器人的開發(fā)，涉及自然語言處理技術(shù)。對用戶的問句解析并分類，接著，采用BERT模型進(jìn)行問句與知識圖譜信息的關(guān)鍵詞匹配，最后，精確地找到與用戶問句最相關(guān)的答案。盡管系統(tǒng)能夠深度回答用戶問題，但其性能依賴知識圖譜的知識量和質(zhì)量，且構(gòu)建過程相對復(fù)雜。因此，其依舊面臨知識維護和更新的挑戰(zhàn)。

現(xiàn)有的基于知識圖譜問答系統(tǒng)的框架僅局限于單個領(lǐng)域，而通用領(lǐng)域框架并不完善。因此本文提出基于知識圖譜的問答系統(tǒng)通用框架，旨在為后續(xù)研究提供參考，如圖5所示。確定具體領(lǐng)域后，依據(jù)技術(shù)路徑構(gòu)建知識圖譜。接著，通過自然語言處理、實體分析、查詢推理等模塊，構(gòu)建問答系統(tǒng)。特別地，這一過程與用戶進(jìn)行多輪交互以達(dá)到更準(zhǔn)確的結(jié)果。

4.2 推薦系統(tǒng)

傳統(tǒng)推薦系統(tǒng)多以協(xié)同過濾算法為基礎(chǔ)，然而，該算法主要面臨的挑戰(zhàn)包括數(shù)據(jù)稀疏性和冷啟動問題[11]。知識圖譜能輔助推薦系統(tǒng)構(gòu)建新實體的初始畫像，緩解數(shù)據(jù)稀疏和冷啟動問題。推薦算法的核心在于，通過分析用戶及其與物品的交互數(shù)據(jù)，來預(yù)測用戶對未接觸過物品的偏好。這與知識圖譜嵌入技術(shù)預(yù)測缺失三元組的缺失項具有相似性，從而證明了知識圖譜在推薦系統(tǒng)中的應(yīng)用潛力和可行性。

基于知識圖譜的推薦系統(tǒng)通用框架如圖6所示。確定具體領(lǐng)域后，依據(jù)技術(shù)路徑構(gòu)建兩個知識圖譜。接著，通過向量化處理模塊，對知識圖譜進(jìn)行信息向量化。再經(jīng)由推薦算法，得到推薦列表供用戶選擇。

5 總結(jié)

自2012年知識圖譜概念首次被提出，它迅速引起了廣泛關(guān)注。本文引證多篇文獻(xiàn)，對知識圖譜的相關(guān)理論知識進(jìn)行系統(tǒng)歸納，并分析知識圖譜在構(gòu)建過程中三個主要步驟的關(guān)鍵技術(shù)。特別地，本文將重點放在知識加工上，探討了知識推理模型的優(yōu)劣及面臨的挑戰(zhàn)。在此基礎(chǔ)上，提出構(gòu)建知識圖譜的完整技術(shù)路徑，并展示了兩個主要應(yīng)用的框架圖。旨在激發(fā)研究者對知識圖譜技術(shù)的熱情，并鼓勵他們掌握構(gòu)建知識圖譜的關(guān)鍵步驟和技術(shù)，為知識圖譜未來發(fā)展貢獻(xiàn)力量。

隨著技術(shù)的持續(xù)進(jìn)步，知識圖譜的研究與應(yīng)用將更加廣泛，深入各個領(lǐng)域，推動著信息的整合與智能決策的發(fā)展。

參考文獻(xiàn)：

[1] 杭婷婷， 馮鈞， 陸佳民. 知識圖譜構(gòu)建技術(shù)：分類、調(diào)查和未來方向[J]. 計算機科學(xué)， 2021，48（2）：175-189.

[2] 朱迪，張博聞，程雅琪，等.知識賦能的新一代信息系統(tǒng)研究現(xiàn)狀、發(fā)展與挑戰(zhàn)[J].軟件學(xué)報，2023，34（10）：4439-4462.

[3] SHADBOLT N，HALL W，BERNERS-LEE T.The semantic Web revisited[J].Institute of Electrical and Electronics Engineers intelligent systems， 2006，21（3）：96-101.

[4] GAD-ELRAB M H.Explainable methods for knowledge graph refinement and exploration via symbolic reasoning[D]//Saarbrücken：Universitat des Saarlandes，2021.

[5] 張華平，吳林芳，張芯銘，等.領(lǐng)域知識圖譜小樣本構(gòu)建與應(yīng)用[J].人工智能，2020，7（1）：113-124.

[6] HUANG Z，AN N，LIU J，et al.EMSI-BERT：asymmetrical entity-mask strategy and symbol-insert structure for drug–drug interaction extraction based on BERT[J].Symmetry，2023，15（2）：398.

[7] BORDES A，USUNIER N，GARCIA-DURAN A，et al.Translating Embeddings for Modeling Multi-relational Data[C]//Proceedings of the 26th International Conference on NIPS．Red Hook，USA：Curran Associates Inc，2013：2787-2795.

[8] VASHISHTH S，SANYAL S，NITIN V，et al.InteractE：Improving Convolution-Based Knowledge Graph Embeddings by Increasing Feature Interactions[C]//Proceedings of the AAAI Conference on Artificial Intelligence.California： Association for the Advance of Artificial Intelligence Press，Palo Alto，2020：3009－3016.

[9] NGUYEN D Q，VU T，NGUYEN T D，et al.A Capsule Network-based Embedding Model for Knowledge Graph Completion and Search Personalization[C]//Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics.Minneapolis，Minnesota：Association for Computational Linguistics，2019：2180-2189.

[10] 袁博，施運梅，張樂.基于知識圖譜的問答系統(tǒng)研究與應(yīng)用[J].計算機技術(shù)與發(fā)展，2021，31（10）：134-140.

[11] 張闖，王巍，杜雨晅，等.融合注意力機制與知識圖神經(jīng)協(xié)同推薦算法[J].計算機工程與應(yīng)用， 2023，59（22）：111-120.

【通聯(lián)編輯：梁書】