基于知識的推薦系統綜述

劉遠晨

摘? 要： 基于知識的推薦算法在彌補過濾式傳統推薦算法冷啟動、數據缺失、“信息繭房”等問題上發揮著重要的作用。對基于知識的推薦算法相關研究進行評述，探討其研究現狀及研究進展。通過梳理CNKI相關文獻和WOS中2017-2020的論文，采用內容分析法對國內外學術界基于知識的推薦算法的研究進展進行分析，對實際進展包括會話過程的優化、領域知識表示和獲取、推理機制的發展、應用場景等進行總結和分析?；谥R的推薦算法與協同過濾相結合、與情感分析相融合將成為重要研究方向。

關鍵詞： 基于知識; 推薦系統; 領域知識; 應用場景

中圖分類號：G350? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）04-13-04

A review of knowledge-based recommendation systems

Liu Yuanchen

（School of Information Management， Central China Normal University， Wuhan， Hubei 430079， China）

Abstract： Knowledge-based recommendation algorithm plays an important role in compensating for the problems of filtering traditional recommendation algorithm such as cold start， data missing and "information cocoon". In this paper， the related research on knowledge-based recommendation algorithms is reviewed， and its development status and research progress are discussed. By combing CNKI related literatures and WOS papers from 2017 to 2020， content analysis was used to analyze the research progress of KBPR in domestic and foreign academic circles. The actual progress includes the optimization of the conversation process， the representation and acquisition of domain knowledge， the development of the reasoning mechanism， and the application scenarios are summarized and analyzed. The combination of collaborative filtering and sentiment analysis will become an important research direction.

Key words： knowledge-based; recommendation systems; domain knowledge; application scenarios

0 引言

信息技術發展的同時，帶來了信息過載的問題，人們不再憂心于信息資源匱乏，反而因大量數據內容充斥而無從選擇有價值的部分，造成了成信息擇取過程的迷茫。推薦系統（recommender system）正是解決這一問題的有效手段。

一直以來，協同過濾算法和基于內容算法這兩種過濾算法廣泛應用于眾多推薦系統中，可以實現個性化的主動推薦。但在實際的應用過程中，過濾式推薦算法冷啟動問題以及數據稀疏性的缺陷，也會造成推薦失敗的情況。此外，這種基于學習的推薦技術還具有滯后性，一旦建立起用戶畫像，當用戶偏好發生變化時，推薦過程難以及時調整。

基于知識的推薦算法為上述問題的解決提供了新的思路，因為它不必收集特定用戶行為數據，也不依賴于用戶評級基礎，僅使用用戶知識和產品知識進行用戶需求進行推理并產生推薦。且如今推理技術成為重要的解決問題的手段，推理產品與用戶需求之間的語義關系，促進知識表示的結構化，對資源共享性發展具有重要推動意義，對其他類型的推薦系統也有很強的互補性[1]。因此，加快對基于知識的推薦的研究尤為重要。

我們收集了近二十年發表的一些相關論文，以此為基礎展開研究。標題1闡述“基于知識”的定義和會話形式，標題2以系統架構角度對近五年的實踐進展進行總結，標題3為應用場景的闡述。最后，對該領域的潛在研究方向進行述評。

本文文獻來源：以檢索式：（主題：基于知識）AND（主題：推薦系統or推薦算法）NOT（知識圖譜）在CNKI中共檢得有效期刊論文43篇，博士論文9篇，共計52篇，由于漢語的歧義性，因此將“知識圖譜”進行篩除;在WOS檢索的調整時間跨度為2017-2021年，共檢得181條結果。

1 相關理論

1.1 “知識”的定義

對“基于知識”的推薦系統中“知識”界定：Adomavicius和Tuzhilin提出了基于知識的推薦系統需要使用的知識為這三類知識：關于用戶的知識、關于項目的知識以及關于項目和用戶需求之間的匹配知識[2]。Charu C. Aggarwal認為這三類知識構成知識庫，在用戶與系統有效檢索和探索的過程中起非常重要的作用[3]。趙蔚和姜強認為“知識”指用戶知識和領域知識，通過功能知識的推理滿足用戶需求來產生推薦[4]。因此，這一推薦系統是利用用戶的需求愛好、產品知識和功能知識為用戶推薦物品，基于項目如何滿足用戶偏好的領域和知識向用戶推薦項目。38FEC368-C650-4D42-ADE6-5F0FBCBF81DF

1.2 分類及會話過程

基于知識的推薦算法分為基于約束的推薦和基于實例的推薦?；诩s束的推薦是指根據用戶需求定義明確的推薦規則，根據推薦規則得出要推薦的物品。如圖1：用戶指定自己的最初偏好，然后一次性或逐步回答完系統發送的所有問題;在收集用戶回答的基礎上，利用領域知識或關聯規則對用戶和產品進行匹配，最終提供給用戶一組相關產品;在檢得結果環節，當用戶選擇某一產品時，交互就結束了;反之，系統可以嘗試向用戶推薦減輕約束后的結果，如：“你可能想搜索……”。

基于實例的推薦是用戶指定特定的案例，系統通過度量與目標物屬性的相似度進行結果推薦。如圖2：用戶制定某一特定的目標案例，可以是用戶需求的目標模型;通過相似度的計算和領域知識的匹配，系統返回與目標案例類似的結果;當檢得結果可接受時，交互結束，反之，可以通過用戶修改指定屬性或定向評價（critique）的方式修改、精簡結果。

2 基于知識的推薦實踐進展

相比過濾式推薦算法，基于知識的推薦算法自身發展緩慢，CNKI中的論文文獻對于基于知識的推薦算法自身推進研究的數量不多，現有論文多為與其他推薦算法的混合或補足性研究以及基于本體理論構建模型的方法。下文從系統構成的三方面進行實踐進展的分析。

2.1 用戶與系統會話過程

這一進展主要包括交互界面可視化技術的應用和交互步驟的精簡。

推薦系統經過幾十年已經得到廣泛應用，最近的研究面向于用戶體驗，重點研究影響推薦接受度的各種人為因素，如用戶滿意度、信任度、透明度等。可視化技術與基于知識的推薦系統結合，使終端用戶能夠深入了解推薦過程，并幫助他們引導這個過程。文獻[5]提出了一種多媒體增強產品推薦方法，通過支持結果可視化的組件來補充基本推薦技術。

在基于知識的推薦系統中，會話步驟的長短與推薦的精確性沒有明確的相關關系，因此，國內外學者通過探索不同方式預測用戶偏好，如在回答前一問題中預測、利用圖形推理預測等，進而實現對推薦系統交互步驟的刪減，促進推薦引導過程的精簡性，但同時也注重提高推薦效率：文獻[6]借鑒有限狀態機中的PFSM概念設計所有能挖掘用出戶需求的問題的個性化交互模型：系統再根據用戶回答問題表現出的偏好正確選擇下一個問題的提出，而問題答案的設置也依賴于用戶的客觀屬性（性別、年齡等）及用戶的情感主觀屬性。由此減少用戶的交互步驟。文獻[7]將會話推薦建模為一個圖形上的交互式路徑推理問題。它按照用戶反饋遍歷屬性頂點，以明確的方式利用用戶偏好的屬性和圖結構，刪除許多不相關的候選屬性，從而更有可能找到用戶偏好的屬性。

2.2 知識的獲取與表示

領域知識獲取和表示一直是基于知識的推薦技術的研究難點之一，它需要知識工程師將領域專家的知識整理出規范可用的形式，但領域專家往往缺乏編程技能，只能由知識工程師將這些轉換成底層知識庫的正式表示，但這一過程極易出錯。故有學者提出以用戶為中心（最終用戶授權自主開發和維護流程）和語義網中引入的本體技術緩解這一難題。利用本體技術對知識的規范性表達具有一定推動作用。本體知識庫是基于知識的推薦系統的基礎，對本體知識庫的構建優化，如文獻[8]采用最相鄰的知識網格網絡搜索和過濾技術，從電子商務網站等信息源中獲取和聚合商品知識，再經過效用計算做出推薦。

2.3 推理機制

對于用戶模型與物品關聯度計算，可以從知識庫長度關系、偏好標準調整、用戶-產品鏈接預測等角度提高推理機的性能。文獻[9]利用vague集語言描述產品特征和用戶顯式和隱式需求，再計算兩者相似度，但它是基于產品的一維屬性進行驗證，其結果會有一定局限性，且借助不確定語言進行捕捉，可能會犧牲推薦的“個性化”。

3 應用場景

3.1 電子商務和金融推薦領域

基于知識的推薦系統有效彌補冷啟動和數據稀疏性的優勢，使得其在電子商務、金融等領域得以大放異彩。文獻[10]演示了在數碼相機和金融服務領域的實例，表明它尤其適用于金融服務等領域，在這些領域中，需要深入的產品知識來識別和解釋解決方案，且推薦是直接從在需求獲取階段的范圍內識別的用戶偏好中導出的，避免新的項目和新的用戶問題。文獻[11]構建并開發了基于商品領域知識的交互式推薦系統的框架模型。消費者通過實時交互界面選擇購買商品的主要用途，系統依據商品領域知識確定滿足需求的商品應具備的功能特征并予以展示，再通過商品各功能對商品用途的隸屬權重向量等計算商品的推薦度。對比實驗顯示，該推薦系統在有用性、易用性、滿意度方面都優于傳統的搜索系統。

3.2 商業旅游和物流推薦領域

文獻[12]根據用戶信息建立用戶畫像，利用本體知識庫構建旅游推薦系統，使用模糊集合的方法給每個用戶概念的歸屬度并賦值，在進行推薦時，從中找出用戶最適合的項目。文獻[13]將基于案例的推薦應用于旅游推薦系統中，首先組織好歷史用戶需求和結局方案的數據，并利用歐式距離計算新用戶需求與案例庫中歷史案例的相似度。文獻[14]提出一種基于知識模式挖掘的共同配送系統，建立共同配送數據日志和知識學習日志的案例庫，以角色（參與某任務的次數）和實例描述（問題間的語義相似度）來分析新舊案例相似性。

3.3 知識資源學習的推薦領域

利用構建本體知識庫廣泛應用于具有相對固化的上下文學習模式和規則的領域（e-learning），使用關于學習者和學習資源的本體知識來將學習者映射到相關的學習資源，有效彌補傳統推薦系統在推薦過程中沒有考慮這些學習者的特征，而是只根據評分向用戶推薦項目的缺陷[15]。文獻[16]使用基于案例的推理（CBR）構建了流程知識推薦系統模型，創建流程實例——知識主題知識庫，使用相似度指標在案例庫中識別相似的流程問題，挖掘用戶知識主題需求并進行最佳知識序列的推薦。文獻[17]創建了學習者知識和知識資源本體，該系統能夠自動地記錄學習者知識背景，并根據背景篩選學習主題的先前知識，結合學習者的風格和知識能力層級，進行相應難度的知識資源的推薦。38FEC368-C650-4D42-ADE6-5F0FBCBF81DF

4 潛在研究方向

4.1 與協同過濾技術結合

通過以上對基于知識的推薦算法熱點探究，可以發現基于知識的推薦系統實際單獨應用領域不多，典型的例子如Edmunds.com網站也難以體現該系統的優越性，但是跟其他推薦算法以層疊等方式相結合的應用非常廣泛，如電子商務領域、視頻網站等。因此，將基于知識的推薦算法與其他算法如協同過濾相結合發展，也是它發展的一個重要也是熱門的研究方向。文獻[18]提出了基于知識的電子商務智能推薦系統的架構，可以根據所處環境選擇相應的推薦策略（事先確定只采用一種或幾種推薦方法的“定制選擇”和事先制定好規則或系統學習得到的“自適應選擇”策略）。文獻[19]為方便尋找特定領域的文章和作者，構建了基于知識系統和基于內容的推薦系統的混合框架。文獻[20]將基于內容的過濾和協同過濾相結合，如果新用戶無行為數據時，通過人口統計數據來推理新用戶并進行推薦。

4.2 情感分析的融合

隨著電子商務的迅猛發展，電商網站中的用戶評論包含著大量的隱式信息，這些信息不僅透露著用戶對產品的看法，還反映了用戶的情感情緒變化。將基于知識的推薦思想與情感分析結合，不僅解決協同過濾算法的稀疏性和冷啟動問題，還增加了推薦的精度。文獻[9]在協同過濾與基于知識的推薦思想結合的基礎上，加入了基于NRC詞典的神經網絡情感分析法，為用戶和項目構建知識模型。

5 局限性

研究對象的局限性：由于WOS中的會議文獻由于獲取較難，因此本文刪除對會議文獻的研究，只針對公開發表的論文內容進行組織分析。內容切分角度單一即：僅從推薦系統架構角度進行論文內容概述分析，未從多維角度進行述評，涉及的細粒度有限。作為傳統推薦算法之一，現有的研究非常少，其原因是領域知識構建的困難性、領域知識聚集規則和實例分類方法在不同領域中有差異，因此，該推薦算法的通用性差，但在彌補協同過濾冷啟動缺陷方面具有很大的作用。希望本文的梳理和總結可為有興趣的研究人員提供一些參考。

參考文獻（References）：

[1] Burke R. Knowledge-Based Recommender Systems，2000：169-193

[2] Adomavicius G，Tuzhilin A. Toward the next generation ofrecommender systems： a survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering，2005，17（6）：734-749

[3] Aggarwal，? Charu C. Recommender Systems || Knowl-edge-Based Recommender Systems[J].2016， 10.1007/978-3-319-29659-3（Chapter 5）：167-197

[4] 趙蔚，姜強，王朋嬌，等.本體驅動的e-Learning知識資源個性化推薦研究[J].中國電化教育，2015（5）：84-89

[5] Jiang， B.; Wang， W.; and Benbasat， I. Multimedia-basedinteractive advising technology for on-line consumer decision support. Communications of the ACM， 48， 9 （2005）：93-98

[6] 艾磊，趙輝.基于知識的推薦系統用戶交互模型研究[J].軟件導刊，2015，14（3）：15-17

[7] Wenqiang Lei， Gangyi Zhang， Xiangnan He， Yisong Miao，Xiang Wang，Liang Chen， Tat-Seng Chua1. 2020. Interactive Path Reasoning on Graph for Conversational Recommendation. In Proceedings of the 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining （KDD 20）， August 23-27， 2020， Virtual Event， CA， USA. ACM， New York， NY， USA， 11 pages.

[8] 陳冬林，聶規劃，劉平峰.基于知識網格的電子商務推薦系統設計[J].計算機應用研究，2006（12）：307-309

[9] 臧振春，崔春生.基于Vague集理論一維屬性—需求匹配的知識推薦算法研究[J].運籌與管理，2020，29（8）：116-123

[10] Alexander Felfernig， Gerhard Friedrich， Dietmar JannachM.S. and Ph.D.& Markus Zanker Ph.D. （2006） An Integrated Environment for the Development of Knowledge-Based Recommender Applications， International Journal of Electronic Commerce，2006（11）：2，11-34

[11] 胡新明，夏火松，羅建軍.基于商品領域知識的交互式推薦系統[J]. 現代圖書情報技術，2014，30（10）：56-6238FEC368-C650-4D42-ADE6-5F0FBCBF81DF

[12] Dodwadpr，Lobol.A context-aware recommender systemusing ontology based approach for trabel applications[J].International Journal of Advanced Engineering and Nano Technology，2014，1（10）：8-12

[13] AlptekingI，BykzakanG.An integrated case-basedreasoning and MCDM system for web based tourism destinatioinplaning[J].Expert Systems with Applications，2011，38（3）：2125-2132

[14] 楊珊珊，呂秋子，徐庭君，等.基于知識模式挖掘的共同配送知識推薦系統[J].物流技術，2019，38（7）：65-70

[15] Tarus， John， K， et al. Knowledge-based recommenda-tion： a review of ontology-based recommender systems for e-learning[J]. Artificial Intelligence Review： An International Science and Engineering Journal，2018，50（1）：21-48

[16] 劉海濤，趙衛東.基于知識模式挖掘的流程知識推薦系統[J].計算機集成制造系統，2017，23（2）：396-403

[17] 趙蔚，姜強，王朋嬌，等.本體驅動的e-Learning知識資源個性化推薦研究[J].中國電化教育，2015（5）：84-89

[18] 成軍.面向電子商務的協同過濾推薦算法與推薦系統研究[D].南京理工大學，2013

[19] Fernandez-Isabel A， Carlos Prieto J， Ortega F， et al. Aunified knowledge compiler to provide support the scientific community[J].Knowledge-Based Systems，2018，161（DEC.1）：157-171

[20] PatroSunkuru Gopal Krishna，MishraBrojoKishore，PandaSanjaya Kumar，KumarRaghvendra，Long Hoang Viet，Tuan Tran Manh. Knowledge-based preference learning model for recommender system using adaptive neuro-fuzzy inference system[J]. Journal of Intelligent & Fuzzy Systems，2020，39（3）38FEC368-C650-4D42-ADE6-5F0FBCBF81DF