| 失效链接处理 |
|
应用知识图谱的推荐方法与系统 PDF 下载
本站整理下载：
相关截图：
主要内容：
推荐系统推荐系统是一种向目标用户建议可能
感兴趣物品的软件工具。随着网络与现实信息的爆
炸式增长，越来越多的在线服务商为用户提供商品、
音乐、电影等（以下统称为物品）的推荐服务。推荐
系统能够满足用户的个性化需求，为在线服务商带
来巨大商业价值。同时，推荐方法与系统的研究促
进了偏好挖掘、大数据处理、决策支持等领域的相
关理论和实践的飞速发展，其学术价值也引起了广
泛的关注。
推荐系统面临的重要挑战主要是数据稀疏性问
题和冷启动问题。数据稀疏问题指的是相对于数量
庞大的用户和物品，仅有少量的物品获得了用户的
评价或者购买，难以据此获得相似的用户或相似的
物品，使得传统推荐方法失效了。冷启动问题指的
收稿日期 2020-03-13 录用日期 2020-06-11
Manuscript received Month Date, Year; accepted Month Date,
Year
国家自然科学基金(61403350)资助
Supported by National Natural Science Foundation of China
(61403350)
本文责任编委 张民
Recommended by Associate Editor ZHANG Min
1. 武汉数字工程研究所 武汉 430070
1. Wuhan Digital Engineering Institute, Wuhan 430070
是系统由于并不知道新加入用户的历史行为，无法
给他们推荐物品，同样新加入的物品也由于没有被
用户评价或购买过而无法被针对性的推荐。
推荐系统中通常利用附加信息来解决上述问题，
以提高性能。附加信息（一般也称上下文信息）分为
显式信息和隐式信息[1]。显式信息是通过诸如物理
设备感知、用户问询、用户主动设定等方式获取的
与用户、物品相关联的上下文信息。隐式信息即利
用已有数据或周围环境间接获取的一些上下文信息，
例如可根据用户与系统的交互日志获取时间上下文
信息。
近年来，利用以知识图谱为表示形式的附加信
息的推荐方法受到了学者们的关注。知识图谱最初
用于提升搜索系统的性能[2]，刻画了海量实体之间
的多种关系，具有网状结构，能够用于推荐系统中
来增强用户、物品之间联系的认知与解释，从而提
高推荐准确度。本文综述了2015年 ∼ 2019年发表在
DLRS 、RecSys 、KDD 、CIKM 、NIPS 、TIST
、UMAP 、SIGIR 等会议和期刊中的利用知识图
谱的推荐方法的文献，共23篇。在利用知识图谱的
推荐系统中，通常首先将收集到的用户信息、物品
网络首发时间：2020-07-09 11:08:16
网络首发地址：https://kns.cnki.net/kcms/detail/11.2109.TP.20200707.1450.002.html
2 自 动 化 学 报
信息、在利用知识图谱的推荐系统中，通常首先将收
集到的用户信息、物品信息、用户历史行为等数据
或者一些相关的外部数据表示成知识图谱的形式。
然后，设计推荐算法，利用知识图谱生成推荐。此
类推荐系统通常包含知识图谱构建和利用知识图谱
产生推荐两个环节。本文根据这两个环节中构建知
识图谱数据的不同来源，以及推荐方法中利用知识
图谱信息的不同形式提出了分类框架，并据此对相
关文献进行了分类综述，详情请参看本文第三章。
与本文最为相关是文献[3]。该文献综述了2009年 ～2017年16篇利用知识图谱的推荐方法的文献。本
文在综述的文章数量上超过了文献[3]。此外，本文
提出文献分类框架能够更好地覆盖新提出的方法。
本文第一章介绍了利用知识图谱的推荐方法的
相关背景知识；第二章对利用知识图谱的推荐方法
文献进行分类与综述；第三章整理了目前常用的推
荐系统数据集和知识图谱数据集；第四章、第五章
分别讨论了应用知识图谱的推荐系统的研究难点与
发展前景；最后，在第六章中对全文进行了总结。
1 背景知识
本节介绍了推荐方法与系统、知识图谱等相关
领域的背景知识，并对本文涉及的知识图谱与推荐
系统相关术语与概念进行了说明。
1.1 推荐方法及系统概述
推荐系统通用架构流程如图1所示。推荐系统一
方面从用户处收集用户信息和历史行为，挖掘用户
偏好。另一方面，收集和挖掘被推荐物品的信息和
特征。然后，建立评价模型，据此对用户需求信息和
物品特征信息进行匹配、筛选，得到用户可能感兴
趣的物品。最后，将推荐结果返回给用户，并根据用
户的反馈，进一步改进推荐结果。
|
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
