隨著互聯(lián)網(wǎng)的快速發(fā)展，我們正處在信息爆炸的時(shí)代。當(dāng)我們?cè)谙硎芑ヂ?lián)網(wǎng)帶來(lái)的便利的同時(shí)，也面臨著信息過(guò)載的問(wèn)題，難以迅速地從海量數(shù)據(jù)中汲取所需信息。為了解決這一問(wèn)題，推薦系統(tǒng)應(yīng)運(yùn)而生，并在包括音樂(lè)、電影、購(gòu)物等眾多場(chǎng)景落地實(shí)踐，提高了用戶的體驗(yàn)。

近段時(shí)間，基于知識(shí)圖譜的推薦系統(tǒng)引起了研究者的廣泛關(guān)注，其基本思想是將知識(shí)圖譜作為一種輔助信息引入到推薦系統(tǒng)中。這種方法既可以提高推薦系統(tǒng)的準(zhǔn)確性，又能夠?yàn)橥扑]結(jié)果提供解釋。一方面，知識(shí)圖譜是一種有向信息異構(gòu)網(wǎng)絡(luò)，其中節(jié)點(diǎn)代表實(shí)體，有向邊可表示實(shí)體間的關(guān)系。知識(shí)圖譜蘊(yùn)含了推薦系統(tǒng)中物品的大量背景信息，可表示物品間的多種關(guān)系。與此同時(shí)，還可以結(jié)合推薦系統(tǒng)中用戶與物品的交互數(shù)據(jù)，擴(kuò)展用戶和物品間的隱藏連通關(guān)系，從而更精準(zhǔn)地建模用戶偏好，提高推薦效果。下圖是一個(gè)基于知識(shí)圖譜的推薦實(shí)例，其中既包括了用戶、電影、演員、導(dǎo)演、題材這幾種實(shí)體，又包含了實(shí)體間的復(fù)雜關(guān)系。電影“阿凡達(dá)”、“血鉆”和用戶Bob借助知識(shí)圖譜中的隱藏關(guān)系連接在一起，從而輔助系統(tǒng)做出精準(zhǔn)的推薦。另一方面，知識(shí)圖譜也使得推薦結(jié)果有跡可循。例如通過(guò)該圖中的關(guān)系序列，我們可以得知向Bob推薦“阿凡達(dá)”的一個(gè)原因是，“阿凡達(dá)”與Bob曾經(jīng)看過(guò)的星際穿越同屬科幻片。

本綜述的目的是總結(jié)與闡述利用知識(shí)圖譜做推薦的研究現(xiàn)狀，這一工作與前人的工作有所重疊，例如基于圖的推薦系統(tǒng)綜述、關(guān)于知識(shí)圖譜應(yīng)用的綜述。和前人的工作相比，我們對(duì)于方法的介紹更為深入，并提供了更細(xì)致的層次化技術(shù)分類。我們首先將該領(lǐng)域的文章分為三大類，分別是基于嵌入的方法（embedding-based methods），基于連接的方法（connection-based methods），和基于傳播的方法（propagation-based methods）。同時(shí)又按照每一類方法的特點(diǎn)，提供更細(xì)致的劃分。本文的第二點(diǎn)貢獻(xiàn)是我們?cè)敿?xì)闡述了知識(shí)圖譜如何給推薦結(jié)果提供可解釋性，并總結(jié)了不同技術(shù)手段。同時(shí)，我們以推薦系統(tǒng)的應(yīng)用場(chǎng)景作為劃分依據(jù)，總結(jié)了不同應(yīng)用下可使用的數(shù)據(jù)集。最后，我們根據(jù)對(duì)這一領(lǐng)域的理解，提出了一些未來(lái)發(fā)展方向的展望。

我們按照知識(shí)圖譜的利用方式將現(xiàn)有工作分為三大類：基于嵌入的方法，基于連接的方法和基于傳播的方法。對(duì)于每類方法，我們又做了更進(jìn)一步的劃分，并列舉了代表性工作加以介紹。我們將所調(diào)研的文章匯總在如下的表格中，將每種方法按照我們總結(jié)的分類依據(jù)歸類，并整理了各工作構(gòu)建知識(shí)圖譜的方式，圖嵌入方法，以及解決的主要問(wèn)題，以方便讀者查閱。

基于嵌入的方法主要利用知識(shí)圖譜中豐富的語(yǔ)義關(guān)系，來(lái)豐富物品、用戶的表征。這類方法主要包含兩部分：圖嵌入模塊，主要利用圖嵌入的方法學(xué)習(xí)知識(shí)圖譜中實(shí)體和關(guān)系的表征；和推薦模塊，以建模用戶對(duì)物品的偏好。按照這兩個(gè)模塊的結(jié)合方式，可將這一方向的工作劃分為三類。第一類是依次學(xué)習(xí)，首先利用圖嵌入算法單獨(dú)訓(xùn)練圖嵌入模塊，隨后將預(yù)先訓(xùn)練好的知識(shí)圖譜表征向量引入到推薦系統(tǒng)中，擴(kuò)充用戶、物品的語(yǔ)言表征，隨后訓(xùn)練推薦模塊，一些代表性的工作包括DKN、KSR、KTGAN等；第二種思路是聯(lián)合學(xué)習(xí)，將圖嵌入模塊和推薦模塊的目標(biāo)函數(shù)相結(jié)合，從而實(shí)現(xiàn)端到端的訓(xùn)練，代表性工作包括CKE、CFKG等；第三種思路是引入多任務(wù)學(xué)習(xí)框架，通過(guò)將圖嵌入模塊設(shè)計(jì)成與推薦模塊相關(guān)而又分離的任務(wù)，例如知識(shí)圖譜補(bǔ)全，邊預(yù)測(cè)任務(wù)，從而利用圖嵌入模塊監(jiān)督推薦模塊的訓(xùn)練過(guò)程，相關(guān)工作包括MKR、KTUP、RCF。

基于連接的方法主要利用圖譜中實(shí)體間的連接方式做推薦，這類方法大多是將包含物品屬性的知識(shí)圖譜與用戶-物品的交互矩陣相結(jié)合，構(gòu)建用戶-屬性-物品圖，挖掘用戶和物品間的多種連接關(guān)系。這一方向有兩種基本思路，第一種是利用實(shí)體間的連接相似性做推薦，通過(guò)定義圖譜中的基本結(jié)構(gòu)特征，例如元路徑，計(jì)算不同路徑下實(shí)體間的相關(guān)性，作為用戶及物品表征的約束條件，代表性工作包括Hete-CF、FMG等；第二種思路是挖掘用戶與物品之間存在的語(yǔ)義路徑，學(xué)習(xí)實(shí)體間連接路徑的顯式表征，將其引入到推薦框架中，以直接建模用戶與物品間的連接關(guān)系，代表性工作包括MCRec、RKGE等。

盡管上述兩類方法都提升了推薦的精準(zhǔn)性，但都沒(méi)有利用圖中所包含的全部信息，比如基于嵌入的方法側(cè)重于學(xué)習(xí)知識(shí)圖譜中的語(yǔ)義表示，而基于連接的方法關(guān)注知識(shí)圖譜中實(shí)體的連接信息?；趥鞑サ姆椒ńY(jié)合了上述兩大思路，其基本思想是借助知識(shí)圖譜中實(shí)體間的連接路徑，將實(shí)體語(yǔ)義表征在圖中傳播，直接建模實(shí)體間的高階關(guān)系，從而更合理地挖掘了知識(shí)圖譜所包含的信息?；趥鞑サ姆椒òN實(shí)現(xiàn)途徑，具體而言，第一種方式基于用戶的歷史行為，通過(guò)聚合用戶歷史交互物品的多跳鄰居來(lái)豐富用戶表征，從而將用戶的歷史興趣在知識(shí)圖譜中沿著向外傳播，這方向的代表性工作包括RippleNet，AKUPM等。第二類方式是將目標(biāo)物品與其多跳鄰居聚合，更新物品的表征。在聚合過(guò)程中，實(shí)體表征的聚合權(quán)重由用戶和目標(biāo)實(shí)體共同決定，從而將用戶的偏好引入到實(shí)體表征的更新過(guò)程中，代表工作包括KGCN等。第三種思路是將用戶物品交互矩陣與包含屬性信息的知識(shí)圖譜相結(jié)合，從而將用戶和物品統(tǒng)一表示在一張圖，并與圖中各自的多跳鄰居表征聚合，豐富用戶與物品的表征，代表工作包括KGAT等。

基于嵌入的方法使用圖嵌入算法學(xué)習(xí)知識(shí)圖譜中實(shí)體和關(guān)系的表征，將其整合到推薦系統(tǒng)框架中。其優(yōu)勢(shì)是較為靈活，易于實(shí)踐，但這種方法忽略了實(shí)體間的高階關(guān)系，且往往不具有可解釋性?；谶B接的方法側(cè)重于挖掘用戶與物品在知識(shí)圖譜中的多種連接關(guān)系，其優(yōu)勢(shì)是連接模式往往可以帶來(lái)可解釋性，但往往不適用于用戶與物品交互數(shù)據(jù)稀疏的場(chǎng)景，且將用戶與物品間復(fù)雜的關(guān)系分解為若干連接單元會(huì)損失部分信息?；趥鞑サ姆椒ɑ趫D上傳播機(jī)制，結(jié)合了基于嵌入的方法和基于連接的方法的特點(diǎn)，充分挖掘知識(shí)圖譜中的信息。但一個(gè)顯著的缺點(diǎn)是訓(xùn)練過(guò)程需要消耗較多計(jì)算資源，在大規(guī)模數(shù)據(jù)的業(yè)務(wù)場(chǎng)景下需要考慮可擴(kuò)展性。

我們也簡(jiǎn)要總結(jié)了利用知識(shí)圖譜為推薦結(jié)果帶來(lái)可解釋性的主要技術(shù)手段，包括：1）對(duì)知識(shí)圖譜的關(guān)系嵌入運(yùn)用注意力機(jī)制2）定義元路徑等基本結(jié)構(gòu)單元3）對(duì)連接路徑表征運(yùn)用注意力機(jī)制4）在結(jié)合了用戶與物品交互信息的知識(shí)圖譜中運(yùn)用強(qiáng)化學(xué)習(xí)5）提取基于傳播的方法中實(shí)體聚合的權(quán)重。

基于知識(shí)圖譜的推薦系統(tǒng)不僅可以提高推薦效果，帶來(lái)可解釋性，還易于與多種推薦框架相結(jié)合，運(yùn)用于眾多實(shí)際場(chǎng)景。我們將所調(diào)研的工作按照應(yīng)用場(chǎng)景分為七類，包括電影推薦、圖書(shū)推薦、音樂(lè)推薦、新聞推薦、商品推薦、POI推薦以及社交推薦，總結(jié)了每種場(chǎng)景下所使用的的數(shù)據(jù)集與采用的外部知識(shí)圖譜，并按照構(gòu)建知識(shí)圖譜的方法總結(jié)各個(gè)工作。同時(shí)，我們也闡述了每種應(yīng)用場(chǎng)景的特點(diǎn)，并介紹了每種場(chǎng)景下對(duì)應(yīng)數(shù)據(jù)集的基本信息。為方便讀者查閱本節(jié)內(nèi)容，我們將其總結(jié)于下表。

除此之外我們也對(duì)這一方向的工作做了展望，包括：

1）動(dòng)態(tài)推薦：當(dāng)前基于知識(shí)圖譜的推薦算法往往訓(xùn)練時(shí)間較長(zhǎng)，成本過(guò)高，適用于靜態(tài)的推薦場(chǎng)景，用戶的興趣在很長(zhǎng)一段時(shí)間內(nèi)保持穩(wěn)定。然而在實(shí)際的業(yè)務(wù)場(chǎng)景中，用戶的興趣往往變化迅速。如何基于實(shí)時(shí)的反饋數(shù)據(jù)，動(dòng)態(tài)迭代推薦策略，保證推薦的時(shí)效性，是未來(lái)的研究趨勢(shì)之一

2）多任務(wù)學(xué)習(xí)：知識(shí)圖譜本身存在的一些問(wèn)題也會(huì)成為推薦系統(tǒng)的瓶頸，例如知識(shí)圖譜中事實(shí)信息并不完整，導(dǎo)致實(shí)體間部分關(guān)系缺失，從而可能忽略了用戶的部分偏好。因此可以設(shè)計(jì)與知識(shí)圖譜相關(guān)的任務(wù)，例如知識(shí)圖譜補(bǔ)全，將其與推薦系統(tǒng)聯(lián)合訓(xùn)練，以便提高推薦效果。

3）跨領(lǐng)域推薦：在實(shí)際業(yè)務(wù)場(chǎng)景中，用戶往往會(huì)選購(gòu)不同領(lǐng)域的商品，例如圖書(shū)和電影。不同領(lǐng)域的交互數(shù)據(jù)可以與知識(shí)圖譜自然地結(jié)合在一起，且推薦系統(tǒng)在多種場(chǎng)景下往往具有相似的規(guī)律。因此可以通過(guò)遷移學(xué)習(xí)等技術(shù)，通過(guò)共享交互數(shù)據(jù)相對(duì)豐富的源領(lǐng)域的交互特征，緩解目標(biāo)領(lǐng)域數(shù)據(jù)稀疏的問(wèn)題，從而在多個(gè)領(lǐng)域都做出更好的推薦結(jié)果。

4）結(jié)合知識(shí)的文本表示：在以新聞推薦為代表的推薦場(chǎng)景下，理解文本信息至關(guān)重要。通過(guò)將外部知識(shí)圖譜中的豐富信息引入語(yǔ)言模型訓(xùn)練中，可以獲得更好的文本表示，比如結(jié)合知識(shí)的文本表示方法ERNIE和STCKA，可以用在新聞推薦這樣的文本為主的應(yīng)用里，從而做出更準(zhǔn)確的推薦。

本文調(diào)研了基于知識(shí)圖譜的推薦系統(tǒng)的相關(guān)工作，系統(tǒng)總結(jié)了這一領(lǐng)域的最新進(jìn)展。我們著重闡述了不同研究方法的技術(shù)特點(diǎn)并提出了分類方式，同時(shí)闡述了如何運(yùn)用知識(shí)圖譜為推薦結(jié)果帶來(lái)可解釋性。與此同時(shí)，我們也介紹了不同應(yīng)用場(chǎng)景下可供選擇的數(shù)據(jù)集，為入門這一方向提供了可行的建議。最后，我們提出了這個(gè)研究方向存在的發(fā)展趨勢(shì)，希望能促進(jìn)這一領(lǐng)域的進(jìn)步與發(fā)展。基于知識(shí)圖譜的推薦系統(tǒng)方興未艾，知識(shí)圖譜中蘊(yùn)含的豐富信息，可以有效提升推薦系統(tǒng)的效果，并帶來(lái)可解釋性。我們希望本文能夠幫助讀者理解這一領(lǐng)域的工作。

論文下載鏈接

[1] https://ieeexplore./document/9216015

[2] http://scis./cn/2020/SSI-2019-0274.pdf

[3] https://github.com/hongleizhang/RSPapers#knowledge-graph-for-rs