基于知识的推荐系统综述

刘远晨

摘  要： 基于知识的推荐算法在弥补过滤式传统推荐算法冷启动、数据缺失、“信息茧房”等问题上发挥着重要的作用。对基于知识的推荐算法相关研究进行评述，探讨其研究现状及研究进展。通过梳理CNKI相关文献和WOS中2017-2020的论文，采用内容分析法对国内外学术界基于知识的推荐算法的研究进展进行分析，对实际进展包括会话过程的优化、领域知识表示和获取、推理机制的发展、应用场景等进行总结和分析。基于知识的推荐算法与协同过滤相结合、与情感分析相融合将成为重要研究方向。

关键词： 基于知识; 推荐系统; 领域知识; 应用场景

中图分类号：G350          文献标识码：A     文章编号：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

信息技術发展的同时，带来了信息过载的问题，人们不再忧心于信息资源匮乏，反而因大量数据内容充斥而无从选择有价值的部分，造成了成信息择取过程的迷茫。推荐系统（recommender system）正是解决这一问题的有效手段。

一直以来，协同过滤算法和基于内容算法这两种过滤算法广泛应用于众多推荐系统中，可以实现个性化的主动推荐。但在实际的应用过程中，过滤式推荐算法冷启动问题以及数据稀疏性的缺陷，也会造成推荐失败的情况。此外，这种基于学习的推荐技术还具有滞后性，一旦建立起用户画像，当用户偏好发生变化时，推荐过程难以及时调整。

基于知识的推荐算法为上述问题的解决提供了新的思路，因为它不必收集特定用户行为数据，也不依赖于用户评级基础，仅使用用户知识和产品知识进行用户需求进行推理并产生推荐。且如今推理技术成为重要的解决问题的手段，推理产品与用户需求之间的语义关系，促进知识表示的结构化，对资源共享性发展具有重要推动意义，对其他类型的推荐系统也有很强的互补性[1]。因此，加快对基于知识的推荐的研究尤为重要。

我们收集了近二十年发表的一些相关论文，以此为基础展开研究。标题1阐述“基于知识”的定义和会话形式，标题2以系统架构角度对近五年的实践进展进行总结，标题3为应用场景的阐述。最后，对该领域的潜在研究方向进行述评。

本文文献来源：以检索式：（主题：基于知识）AND（主题：推荐系统or推荐算法）NOT（知识图谱）在CNKI中共检得有效期刊论文43篇，博士论文9篇，共计52篇，由于汉语的歧义性，因此将“知识图谱”进行筛除;在WOS检索的调整时间跨度为2017-2021年，共检得181条结果。

1 相关理论

1.1 “知识”的定义

对“基于知识”的推荐系统中“知识”界定：Adomavicius和Tuzhilin提出了基于知识的推荐系统需要使用的知识为这三类知识：关于用户的知识、关于项目的知识以及关于项目和用户需求之间的匹配知识[2]。Charu C. Aggarwal认为这三类知识构成知识库，在用户与系统有效检索和探索的过程中起非常重要的作用[3]。赵蔚和姜强认为“知识”指用户知识和领域知识，通过功能知识的推理满足用户需求来产生推荐[4]。因此，这一推荐系统是利用用户的需求爱好、产品知识和功能知识为用户推荐物品，基于项目如何满足用户偏好的领域和知识向用户推荐项目。38FEC368-C650-4D42-ADE6-5F0FBCBF81DF

1.2 分类及会话过程

基于知识的推荐算法分为基于约束的推荐和基于实例的推荐。基于约束的推荐是指根据用户需求定义明确的推荐规则，根据推荐规则得出要推荐的物品。如图1：用户指定自己的最初偏好，然后一次性或逐步回答完系统发送的所有问题;在收集用户回答的基础上，利用领域知识或关联规则对用户和产品进行匹配，最终提供给用户一组相关产品;在检得结果环节，当用户选择某一产品时，交互就结束了;反之，系统可以尝试向用户推荐减轻约束后的结果，如：“你可能想搜索……”。

基于实例的推荐是用户指定特定的案例，系统通过度量与目标物属性的相似度进行结果推荐。如图2：用户制定某一特定的目标案例，可以是用户需求的目标模型;通过相似度的计算和领域知识的匹配，系统返回与目标案例类似的结果;当检得结果可接受时，交互结束，反之，可以通过用户修改指定属性或定向评价（critique）的方式修改、精简结果。

2 基于知识的推荐实践进展

相比过滤式推荐算法，基于知识的推荐算法自身发展缓慢，CNKI中的论文文献对于基于知识的推荐算法自身推进研究的数量不多，现有论文多为与其他推荐算法的混合或补足性研究以及基于本体理论构建模型的方法。下文从系统构成的三方面进行实践进展的分析。

2.1 用戶与系统会话过程

这一进展主要包括交互界面可视化技术的应用和交互步骤的精简。

推荐系统经过几十年已经得到广泛应用，最近的研究面向于用户体验，重点研究影响推荐接受度的各种人为因素，如用户满意度、信任度、透明度等。可视化技术与基于知识的推荐系统结合，使终端用户能够深入了解推荐过程，并帮助他们引导这个过程。文献[5]提出了一种多媒体增强产品推荐方法，通过支持结果可视化的组件来补充基本推荐技术。

在基于知识的推荐系统中，会话步骤的长短与推荐的精确性没有明确的相关关系，因此，国内外学者通过探索不同方式预测用户偏好，如在回答前一问题中预测、利用图形推理预测等，进而实现对推荐系统交互步骤的删减，促进推荐引导过程的精简性，但同时也注重提高推荐效率：文献[6]借鉴有限状态机中的PFSM概念设计所有能挖掘用出户需求的问题的个性化交互模型：系统再根据用户回答问题表现出的偏好正确选择下一个问题的提出，而问题答案的设置也依赖于用户的客观属性（性别、年龄等）及用户的情感主观属性。由此减少用户的交互步骤。文献[7]将会话推荐建模为一个图形上的交互式路径推理问题。它按照用户反馈遍历属性顶点，以明确的方式利用用户偏好的属性和图结构，删除许多不相关的候选属性，从而更有可能找到用户偏好的属性。

2.2 知识的获取与表示

领域知识获取和表示一直是基于知识的推荐技术的研究难点之一，它需要知识工程师将领域专家的知识整理出规范可用的形式，但领域专家往往缺乏编程技能，只能由知识工程师将这些转换成底层知识库的正式表示，但这一过程极易出错。故有学者提出以用户为中心（最终用户授权自主开发和维护流程）和语义网中引入的本体技术缓解这一难题。利用本体技术对知识的规范性表达具有一定推动作用。本体知识库是基于知识的推荐系统的基础，对本体知识库的构建优化，如文献[8]采用最相邻的知识网格网络搜索和过滤技术，从电子商务网站等信息源中获取和聚合商品知识，再经过效用计算做出推荐。

2.3 推理机制

对于用户模型与物品关联度计算，可以从知识库长度关系、偏好标准调整、用户-产品链接预测等角度提高推理机的性能。文献[9]利用vague集语言描述产品特征和用户显式和隐式需求，再计算两者相似度，但它是基于产品的一维属性进行验证，其结果会有一定局限性，且借助不确定语言进行捕捉，可能会牺牲推荐的“个性化”。

3 应用场景

3.1 电子商务和金融推荐领域

基于知识的推荐系统有效弥补冷启动和数据稀疏性的优势，使得其在电子商务、金融等领域得以大放异彩。文献[10]演示了在数码相机和金融服务领域的实例，表明它尤其适用于金融服务等领域，在这些领域中，需要深入的产品知识来识别和解释解决方案，且推荐是直接从在需求获取阶段的范围内识别的用户偏好中导出的，避免新的项目和新的用户问题。文献[11]构建并开发了基于商品领域知识的交互式推荐系统的框架模型。消费者通过实时交互界面选择购买商品的主要用途，系统依据商品领域知识确定满足需求的商品应具备的功能特征并予以展示，再通过商品各功能对商品用途的隶属权重向量等计算商品的推荐度。对比实验显示，该推荐系统在有用性、易用性、满意度方面都优于传统的搜索系统。

3.2 商业旅游和物流推荐领域

文献[12]根据用户信息建立用户画像，利用本体知识库构建旅游推荐系统，使用模糊集合的方法给每个用户概念的归属度并赋值，在进行推荐时，从中找出用户最适合的项目。文献[13]将基于案例的推荐应用于旅游推荐系统中，首先组织好历史用户需求和结局方案的数据，并利用欧式距离计算新用户需求与案例库中历史案例的相似度。文献[14]提出一种基于知识模式挖掘的共同配送系统，建立共同配送数据日志和知识学习日志的案例库，以角色（参与某任务的次数）和实例描述（问题间的语义相似度）来分析新旧案例相似性。

3.3 知识资源学习的推荐领域

利用构建本体知识库广泛应用于具有相对固化的上下文学习模式和规则的领域（e-learning），使用关于学习者和学习资源的本体知识来将学习者映射到相关的学习资源，有效弥补传统推荐系统在推荐过程中没有考虑这些学习者的特征，而是只根据评分向用户推荐项目的缺陷[15]。文献[16]使用基于案例的推理（CBR）构建了流程知识推荐系统模型，创建流程实例——知识主题知识库，使用相似度指标在案例库中识别相似的流程问题，挖掘用户知识主题需求并进行最佳知识序列的推荐。文献[17]创建了学习者知识和知识资源本体，该系统能够自动地记录学习者知识背景，并根据背景筛选学习主题的先前知识，结合学习者的风格和知识能力层级，进行相应难度的知识资源的推荐。38FEC368-C650-4D42-ADE6-5F0FBCBF81DF

4 潜在研究方向

4.1 与协同过滤技术结合

通过以上对基于知识的推荐算法热点探究，可以发现基于知识的推荐系统实际单独应用领域不多，典型的例子如Edmunds.com网站也难以体现该系统的优越性，但是跟其他推荐算法以层叠等方式相结合的应用非常广泛，如电子商务领域、视频网站等。因此，将基于知识的推荐算法与其他算法如协同过滤相结合发展，也是它发展的一个重要也是热门的研究方向。文献[18]提出了基于知识的电子商务智能推荐系统的架构，可以根据所处环境选择相应的推荐策略（事先确定只采用一种或几种推荐方法的“定制选择”和事先制定好规则或系统学习得到的“自适应选择”策略）。文献[19]为方便寻找特定领域的文章和作者，构建了基于知识系统和基于内容的推荐系统的混合框架。文献[20]将基于内容的过滤和协同过滤相结合，如果新用户无行为数据时，通过人口统计数据来推理新用户并进行推荐。

4.2 情感分析的融合

随着电子商务的迅猛发展，电商网站中的用户评论包含着大量的隐式信息，这些信息不仅透露着用户对产品的看法，还反映了用户的情感情绪变化。将基于知识的推荐思想与情感分析结合，不仅解决协同过滤算法的稀疏性和冷启动问题，还增加了推荐的精度。文献[9]在协同过滤与基于知识的推荐思想结合的基础上，加入了基于NRC词典的神经网络情感分析法，为用户和项目构建知识模型。

5 局限性

研究对象的局限性：由于WOS中的会议文献由于获取较难，因此本文删除对会议文献的研究，只针对公开发表的论文内容进行组织分析。内容切分角度单一即：仅从推荐系统架构角度进行论文内容概述分析，未从多维角度进行述评，涉及的细粒度有限。作为传统推荐算法之一，现有的研究非常少，其原因是领域知识构建的困难性、领域知识聚集规则和实例分类方法在不同领域中有差异，因此，该推荐算法的通用性差，但在弥补协同过滤冷启动缺陷方面具有很大的作用。希望本文的梳理和总结可为有兴趣的研究人员提供一些参考。

参考文献（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] 赵蔚，姜强，王朋娇，等.本体驱动的e-Learning知识资源个性化推荐研究[J].中国电化教育，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，趙辉.基于知识的推荐系统用户交互模型研究[J].软件导刊，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] 陈冬林，聂规划，刘平峰.基于知识网格的电子商务推荐系统设计[J].计算机应用研究，2006（12）：307-309

[9] 臧振春，崔春生.基于Vague集理论一维属性—需求匹配的知识推荐算法研究[J].运筹与管理，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，罗建军.基于商品领域知识的交互式推荐系统[J]. 现代图书情报技术，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] 杨珊珊，吕秋子，徐庭君，等.基于知识模式挖掘的共同配送知识推荐系统[J].物流技术，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] 刘海涛，赵卫东.基于知识模式挖掘的流程知识推荐系统[J].计算机集成制造系统，2017，23（2）：396-403

[17] 赵蔚，姜强，王朋娇，等.本体驱动的e-Learning知識资源个性化推荐研究[J].中国电化教育，2015（5）：84-89

[18] 成军.面向电子商务的协同过滤推荐算法与推荐系统研究[D].南京理工大学，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