混合推荐算法在电商相关领域的应用研究

黄玉盛 祝迎春

摘要：随着5G移动通信技术、虚拟现实和增强现实等技术的应用与普及，电商相关领域中传统的单一推荐算法在应对日益增长的结构与非结构数据、多源数据的融合和用户需求多样等方面逐渐显露出不足之处。结合电商相关领域的现有特点与难点来进行推荐算法的选择和优化改进，混合推荐算法应运而生。首先，分析了传统单个基于二部图网络的、基于知识图谱的和基于神经网络推荐算法的特征和优缺点；其次，总结梳理了以上三种类型的混合推荐算法在电商相关领域的研究现状；最后，指出混合推荐算法在电商相关领域应用中遇到的困境、不足和未来应用研究方向，以期为混合推荐算法在电商相关领域的深入应用提供有力支持。

关键词：混合推荐算法；电商相关领域；二部图网络；知识图谱；神经网络

中图分类号：TP391.3      文献标识码：A

文章编号：1009-3044（2023）34-0004-05

开放科学（资源服务）标识码（OSID） ：

0 引言

近年来，随着互联网技术的快速发展、疫情影响和线下门店成本高等原因，电商直播凭借互动性强、投入成本低和用户观看粘性强等特点，让持续低迷的传统电商相关领域重新燃起了“战火”，一跃成为蓬勃发展的行业。在国家相关电商相关领域政策的加持下，电商直播成为新的电商热点。与此同时，电商相关领域也面临着一个重要的挑战，即消费者往往难以从众多商品中选择到最适合自己的商品，以实现精准地推荐商品，这也是行业上俗称的“信息过载”，而个性化推荐被认为是解决信息过载问题的最有效方法之一。

个性化推荐算法已在各个行业得到广泛应用，尤其是在电商领域发展迅速，如在提升用户体验、增加销量等方面展现出巨大潜力。研究表明个性化推荐算法帮助电商平台推荐的产品更符合个体用户的需求、喜好，从而提升购买体验。传统的商品推荐算法往往只考虑了用户的历史行为，忽略了其他因素对用户行为的影响，导致推荐的结果缺乏个性化和多样性。针对电商相关领域的特性和推荐难题，混合推荐算法结合多种算法的优点，综合考虑多种因素对用户行为的影响，使推荐结果更加准确、个性化和多样化。本文针对混合推荐算法在电商相关领域中的应用研究进行梳理和总结，对已有的推荐算法模型、特点和应用优势进行探讨，进一步梳理分析电商相关领域中混合推荐算法應用遇到的问题，以及解决这些问题的方法和探讨未来发展方向。

1 个性化推荐算法

随着互联网技术的持续进步，信息技术领域出现了许多通过计算机传输信息的应用形式，如电子邮件、个人网站和在线论坛等。用户很难在众多的数据中精确而快速地获取满足自身需求的内容，迫切需要一种技术能够帮助自己精准地获取信息。1992年施乐公司的Goldberg等人提出一种融合协同过滤思想的推荐系统，并将其用于垃圾邮件过滤。2001年Amazon最早将推荐系统引入电商相关领域平台，并带来销售额的大幅度提升，产生了“啤酒与尿不湿”的著名案例。2006年，Netflix在其网站上举办了一个推荐算法竞赛，目的是鼓励研究人员发现更好的算法来提升Netflix的推荐效果。竞赛吸引了来自世界各地的研究人员，推动了推荐算法的发展。随着在线平台的广泛应用和电子商务的快速发展，推荐系统的普及程度迅速提高，推动了针对书籍、电影、服装等领域的特定推荐系统的成长。

目前，随着“短视频平台+直播”成为流量吸引的风口，以及第五代移动通信技术、虚拟现实以及增强现实等技术的进一步发展，能够增强互动性，使内容展示更加丰富，这将成为未来电子商务的新常态。个性化推荐算法的优化升级已成为必然趋势，不仅可以向用户提供精准且多样化的推荐服务，还有助于进一步缩短电商相关平台与用户之间的距离。因此，需要深入研究个性化推荐算法，并不断加强理论和实际的联系，为用户提供良好应用体验。通过对现有的推荐算法进行梳理分析，本文对基于二部图网络的、基于知识图谱的和基于神经网络的推荐算法进行介绍。

1.1 基于二部图网络的推荐算法

基于二部图的推荐算法是Aggarwal于1999年率先提出的，其特点将用户与物品看作二部图网络中的节点，且可以用一个无权无向的二部网络G（U，O，E）表示。该二部网络的功能是描述用户和物品之间的关系的，其中U、O和E分别为用户集、物品集和用户行为的集合。其主要思想是通过用户和物品之间的选择关系建立用户-物品的二部图模型，然后利用资源分配等算法为用户提供个性化的推荐[1]。例如协同过滤算法（Collaborative Filtering，CF） 、质量扩散算法（Mass Diffusion，MD） 和热传导算法（Heat Conduction，HC） 。

CF算法是最早、最流行且应用最广泛的推荐算法，其基本思想是“物以类聚，人以群分”的群体智慧理念。简单来说，利用与目标用户有相同兴趣和爱好的用户的偏好来进行推荐。其主要分为两类：基于用户的协同过滤（User-based CollaboratIve Filtering，UCF） 和基于物品的协同过滤（Item-based Collaborative Filtering，ICF） ，这两种算法的区别在于计算相似度矩阵的参考对象不同。UCF是以用户为中心，计算用户之间的相似度。ICF是以物品为中心，计算物品与物品之间的相似性，通过寻找目标用户购买过的类似物品并推荐给用户。在计算用户与用户或物品与物品之间的相似性矩阵时，常用的相似性计算方法有余弦相似度和Jaccard相似系数。

CF算法在实践中被广泛使用，具有良好的推荐效果。其优点是具有推荐准确度高、良好的扩展性且不需要物品的特征属性，完全依靠用户的行为数据。然而，由于其完全依赖用户行为数据，导致冷启动问题（新产品或新用户没有足够的行为数据）和因用户行为稀疏而导致的相似度矩阵稀疏。

MD算法采用了物质流动的思想。将初始能量给目标用户选择的物品节点，然后根据物品选择关系将物品节点的能量平均分配给选择了该物品的用户节点，再根据用户节点的能量除以用户节点的度的规则，将用户节点上的能量传回物品节点。经过两次能量的传递，每个物品节点上都有相应的能量。HC算法与MD算法类似。两者都给被目标用户选中的物品节点分配一个初始能量，但能量传递时的规则和资源分配方法不同。

基于二部图的推荐算法是一种常见的推荐算法，它将用户和物品看作两个独立的节点集合，通过构建二部图模型来预测用户对物品的评分和偏好，可以不受推荐类型的限制，而且鲁棒性强、算法易实现且计算过程不复杂等优点。由于其过于依赖用户与物品的选择关系，即用户的行为数据，因此无法很好地解决冷启动和数据稀疏等问题。

1.2 基于知识图谱的推荐算法

2012年，谷歌公司提出了“知识图谱”（Knowledge Graph） 的概念，其初衷是以更智能的形式展现搜索引擎的返回结果，提升用户体验。知识图谱是一种解释实体之间关系的语义网络，以结构化的三元组形式描述现实世界中的事物及其相互关系，已广泛应用于语义搜索、问答、推荐和文本理解与生成等方面。<雷军，创办，小米>是一个知识三元组，“雷军”“小米”是现实世界中的两个实体，在知识图谱中表现为两个节点，“创办”是它们两个之间的关系。知识图谱中的节点和边是多对多的关系，该特点使得知识图谱中的三元组不仅可以表示实体之间的关系，也可以存储知识实体的属性。

根据应用知识图谱的不同形式，分为基于嵌入的方法、基于路径的方法和混合的方法。基于嵌入的知识图谱核心思想是利用知识表示模型学习到知识图谱中实体以及关系的向量表示，并通过这种带有语义信息的向量表示去扩充原有的用户与物品的交互信息，进而提高推荐性能[2]。基于路径的知识图谱核心思想是通过挖掘知识图谱中用户以及物品之间的路径关系来探索知识图谱实体间的连通性去完成推荐[3]。混合的方法是指将基于嵌入的方法和基于路径的方法结合起来，以提高知识图谱的构建效率和准确性。基于嵌入的方法通常能够捕获实体和关系的潜在语义信息，而基于路径的方法则能够利用知识图谱中的结构信息。混合方法试图结合这两种信息，从而获得更为准确和鲁棒的知识图谱表示。因此，引入知识图谱可以为推荐系统带来三个方面的好处，一是缓解用户行为的稀疏性；二是丰富的物品属性，从而学习到更全面的物品表示，提升推荐的准确性；三是利用知识图谱的语义关系，给出推荐的原因，使推荐结果具有可解释性。目前，基于知识图谱的推荐算法研究仍面临一些挑战：一是如何有效建模知识图谱的复杂结构特征;二是如何捕捉知识图谱多跳复杂推理路径中的语义；三是如何将外部知识有效注入推荐模型中;四是如何处理跨领域知識的推荐;五是如何处理海量知识图谱的推理和计算。

1.3 基于神经网络的推荐算法

神经网络是一种由多个神经元节点相互连接而成的计算模型，其基本原理是对输入数据的非线性变换来提取特征，通过多层的全连接层将这些特征进行建模和学习，挖掘用户的兴趣和偏好特征，根据这些特征进行个性化推荐。同时，神经网络可以处理复杂和动态的推荐任务，并具有良好的泛化能力。常见的神经网络结构包括深度神经网络（Deep Neural Network，DNN） 、卷积神经网络（Convolutional Neural Network，CNN） 和循环神经网络（Recurrent Neural Network，RNN） 等。DNN将用户和物品的多种特征（如文本、图像、点击历史等）融合到一个统一的稠密向量中，这有助于捕捉用户和物品之间的复杂交互关系，从而获取用户的特定兴趣提高推荐的相关性。CNN通过卷积层和池化层来提取数据的空间和时间特征，再通过全连接层进行分类或预测。卷积层通过局部连接和权重共享的方式，有效地捕捉输入数据中的局部模式和特征，而池化层则用于减小特征图的尺寸，并保留关键的特征。CNN能够自动学习图像的特征表示，具有平移不变性和局部连接性等特点，能够处理大规模的图像数据集，提高分类和检测的准确性。因此，其在图像分类、目标检测和图像生成等任务中表现出色。RNN通过引入循环结构，能够处理可变长度的序列数据，并且能够捕捉序列中的长期依赖关系。因此，其在许多序列处理任务中都有广泛的应用，如语言模型、机器翻译、语音识别、时间序列预测等领域。RNN的每个时间步的隐藏状态会根据输入和前一个时间步的隐藏状态进行更新，从而实现信息的传递和保存，并通过学习隐藏状态的演化过程，实现对时间序列数据进行建模和预测。而深度学习作为神经网络的一个分支，它使用多层神经网络来学习数据的深层次特征，由于其强大的建模能力和灵活性，已经在许多领域取得了显著的成果，包括语音识别、图像处理和自然语言处理等。

基于神经网络的推荐算法的架构通常由三层组成：输入层、隐藏层和输出层。输入层将用户在一组物品上的历史行为作为输入，如评级、点击或购买。隐蔽层负责处理这些信息并学习数据中的基本模式。输出层为每个物品产生一个预测的评级，用于为用户产生推荐。

神经元定义如下：

[y=fi=0n-1wixi+b]

公式中，计算输入[xi]和权重[wi]的加权和[wixi]（也成为激活值）。此外，[xi]是输入数据的数值或其他神经元的输出（如果神经元是神经网络中的一部分）。权重[wi]是表示输入强度或神经元之间连接强度的数值，权重b是一个称为偏置的特殊值，其输入始终为1。使用加权和的结果作为激活函数f的输入，激活函数也成为传递函数。激活函数有很多类型，但都必须满足非线性这一必要条件，如Sigmoid函数、Tanh函数和ReLu函数等。

1.4 混合推荐算法

为了解决推荐系统中准确性-多样性不能同时兼顾、数据稀疏和冷启动等问题，众多的混合算法应运而生。这些算法采用多种推荐算法相互融合的方式，以达到最优的推荐效果。根据多种推荐算法的混合方式，分为加权式、变换式和合并式。其中，加权式是指分配给推荐算法不同的权重，将推荐结果进行加权混合，得到最终的推荐列表，且权重不唯一，会随着推荐结果或应用场景等有所调整。变换式是指根据不同的应用场景，使用不同的推荐算法，如由UCF切换到ICF。合并式将多个推荐算法的推荐列表合并成一个大的推荐列表推荐给用户，由用户自行选择，使大的推荐列表更具有多样性。混合推荐系统的核心思想与集成学习算法类似，通过整合多个推荐算法，充分利用各个算法的优势，可以显著降低系统性误差（方差），提升推荐系统的综合性能。随着技术的不断进步和推荐场景的多样化，混合推荐算法将继续发展，并在实际应用中发挥更大的作用。

2 电商相关领域中的混合推荐算法应用

随着信息技术的迭代升级、大数据时代的到来和深度学习相关技术的蓬勃发展，传统的单一推荐算法在应对日益增长的数据和用户需求方面逐渐显露出不足之处，电商的推荐系统需要结合电商相关领域的特征来进行进一步的推荐算法的选择和优化设计。以下从基于协同过滤、知识图谱和神经网络推荐三个方面详细介绍面向电商相关领域混合推荐算法应用。

2.1 电商相关领域中基于协同过滤的混合推荐算法

随着社交媒体、移动设备和物联网的广泛应用，用户生成的数据变得越来越丰富和多样化。推荐算法不仅分析处理用户的行为数据，还要处理结合用户的社交关系、地理位置、短视频和文本内容等多种数据，为了解决以上问题，基于协同过滤算法通过结合深度学习、图神经网络等技术，克服传统协同过滤算法在数据稀疏性和冷启动问题上的局限性，提高推荐的准确性和个性化程度。上海携程旅游网络技术有限公司董鑫[4]等人提出了一种混合的协同过滤模型，结合了深度学习技术，通过从评分矩阵和辅助信息中学习到的用户和物品的潜在因素，实现协同过滤和辅助信息的有效利用。王香蒙[5]等人提出了一种基于图神经网络的协同过滤推荐算法（Causal Neural Graph Collaborative Filtering，CNGCF） ，将节点之间的因果关系注入基于图协同过滤的图表示学习中，从而明确对目标节点的邻节点的因果影响进行编码。这种方法能够识别伪相关性，并揭示用户偏好的根本原因。何向南[6]等人提出了神经网络的协同过滤（Neural Collaborative Filtering，NCF） ，该算法使用多层感知机来建模用户和物品之间的非线性关系，将用户和物品的特征通过全连接层映射到隐含空间，并通过内积或外积运算来计算用户对物品的兴趣，提高了推荐系统的准确性和效果。

2.2 电商相关领域中基于知识图谱的混合推荐算法

基于嵌入的方法忽略了知识图谱的信息连通性，缺少可解释性，而基于路径的方法可以为推荐的结果提供可解释性，混合的方法将基于嵌入的方法与基于路径的方法相结合，充分挖掘两方面的信息，保证混合的方法具有解释推荐过程的能力，具备可解释性，并成为当前的研究的一个热点。王宏伟[7]等人提出了一种基于知识图谱的深度学习模型水波网络（RippleNet） ，是第一个有效将基于嵌入与基于路径的知识图谱结合起来的模型。它利用物品的知识图谱数据一层一层地向外扩散后提取节点，然后聚合嵌入，每一层的物品会影响到在它之后的所有层，并且越往外对结果的影响就越小，像水波一样。该算法能够有效地捕捉用户和物品之间的复杂关系，并成为现在最热门的知识图谱推荐算法之一。杜彦辉[8]等人提出了一种基于知识图谱的个性化推荐模型——NRH（Node2vec-side and RippleNet Hybrid Model） 模型。该模型采用了基于协同过滤和知识图谱的混合推荐方法，通过使用Node2vec-side进行物品画像建模，探索物品之间的潜在关联关系，并将用户画像划分为静态历史画像和动态偏好画像，可以用于解决传统用户画像更新的本地化问题。郭庆宇[9]等人系统性地介绍了知识图谱的概念和构建方法，总结已有的知识图谱推荐系统研究，并对其进行了分类。同时，归纳了知识图谱在动态推荐、跨领域推荐、多任务学习和用户辅助信息等方面的研究应用和挑战。

2.3 电商相关领域中基于神经网络的混合推荐算法

由于传统的推荐算法在面对大规模和复杂的数据时，往往存在准确性不高、个性化程度不够等问题。而深度学习作为神经网络的重要分支，其通过构建深层次的神经网络模型，可以学习到更抽象、更高级的特征表示，进一步提升了神经网络的性能。在推荐系统中，单独使用神经网络可能存在一些挑战，如数据稀疏性、冷启动问题和解释性等问题。为了克服这些问题，将神经网络与其他推荐算法相结合，充分发挥它们各自的优势，从而提高推荐的准确性和个性化程度成为趋势。张帅[10]等人提出了一种基于深度学习的推荐模型VLC-AR（Viewer’s Watching Behavior and Live streaming Content change for Anchor Recommendation） ，其由两个主要组成部分组成：一是基于长短期记忆网络（Long Short-Term Memory，LSTM） 的观众行为预测模型，用于预测观众的下一步行为，例如繼续观看、暂停观看或跳过视频等。该模型利用观众的历史观看记录以及当前观看视频的交互信息来进行预测，并通过反向传播算法（Back Propagation，BP） 进行训练。第二个部分是基于CNN的实时视频内容模型，用于捕捉主播实时视频内容的特征。该模型利用卷积神经网络来提取视频帧的空间特征，并通过反向传播算法进行训练。VLC-AR模型将这两个部分整合在一起，通过将观众的行为和实时视频内容特征进行联合编码，实现对用户观看行为和内容变化的准确预测，从而提供更个性化和精准的主播推荐服务。吴方照[11]等人构建了一个名为MIND规模庞大的新闻推荐数据集，并在这个数据集上进行了大量实验。新闻推荐的性能在很大程度上依赖于新闻内容理解和用户兴趣建模的质量。有效的文本表示方法和预先训练好的语言模型等自然语言处理和机器学习技术可以有效地提高新闻推荐的性能。

3 电商相关领域中混合推荐算法存在的问题

随着电商相关领域行业的发展，混合推荐算法逐渐成为电商相关领域平台中的重要组成部分。混合推荐算法通过综合考虑用户的历史行为、兴趣偏好和商品属性等多个因素，为用户提供个性化的推荐服务，从而增加用户粘性和销售额。然而，混合推荐算法在应用中仍然面临着一些问题，如数据质量参差不齐、用户隐私安全堪忧、算法偏见和冷启动等。

3.1 数据质量参差不齐

首先，电商相关领域数据质量问题是影响混合推荐算法效果的重要因素之一。电商相关领域平台涉及大量的商品和用户数据，这些数据的质量直接影响着推荐算法的准确性和效果。常见的如以下几点：

1） 数据缺失与冗余：用户与商品之间的交互数据较少或者用户没有提供足够的信息，导致数据缺失；同时，电商相关领域平台中可能存在大量的重复数据，如同一商品的多个图片、多个描述等。

2） 数据偏差：由于数据来源的多样性，电商相关领域平台中的数据往往不够一致。例如商品名称、商品描述和商品分类等信息可能会因为数据来源不同而存在偏差的情况。

3） 数据噪声：在电商相关领域平台中，一些用户行为数据可能是虚假的或者注水的，例如，恶意刷单、恶意评价与标签错误等。

4） 多源数据融合的问题：在混合推荐算法中，需要将来自不同数据源或多种类型的数据进行融合。不同来源的数据可能存在格式不一致、缺失值、噪声等问题，这些问题会对推荐算法的训练和预测产生负面影响。

对于前3点问题电商相关领域平台需要加强对数据的清洗和预处理工作，确保数据的质量和一致性。而针对第4点，常见的多源数据融合方法是直接将多种类型数据（通常表示成特征向量）进行拼接或求和。这类方法操作简单，易于实施，但大多数情况下无法取得令人满意的效果，甚至在某些特定情况下的准确性还不如直接基于用户物品评分数据做推荐的准确率高。

3.2 用户隐私安全堪忧

随着电商相关领域平台的用户数量不断增加，用户隐私安全问题也变得越来越重要。在混合推荐算法中，需要从用户的行为数据中提取用户的偏好和习惯，这就涉及用户隐私的保护问题。传统的推荐算法中，用户行为数据通常会发送到服务器进行处理，这会带来一些用户隐私泄漏的风险。2018年，国内某快递公司发生了信息泄露事件，超过10亿条快递数据在网上兜售，包括姓名、手机号和家庭住址等。因此，如何在保证用户隐私不被泄露给推荐系统以及任何第三方的前提下，收集和挖掘用户数据的价值是大数据时代值得研究的问题。

为了保护用户的隐私，2016年由谷歌提出的一个名为联邦学习的机器学习方法，被广泛应用于推荐系统中。联邦学习是一种分布式机器学习的方法，它通过在本地设备上进行模型训练，并在不泄露数据的情况下将模型参数聚合到中央服务器上，从而保护用户隐私。在联邦学习中，用户的隐私数据不会离开本地设备，这有效地保护了用户的隐私。联邦学习可以有效地解决用户隐私泄漏的问题，但也存在一些问题，如计算代价、通信开销、隐私泄露和模型的安全性难以保证等。

3.3 算法偏见

算法偏见是指推荐算法在推荐商品时，受到一些非正常因素的影响，导致推荐的准确性和公正性受到影响。主要包括：特征偏见或流行度偏见、统计公平性、遵从偏见和长期公平性等。特征偏见是主要关注监督学习过于依赖预定的敏感特征带来的不公平问题，如放大“性别”与“电影类别”之间的联系；流行度偏见是指在推荐商品时，推荐算法可能会受到商品的热度、销量和广告费用等因素的影响，从而导致热门商品被过度推荐，而一些冷门商品则被忽视；统计公平性是关注一个或一组用户得到的推荐结果与用户兴趣的分布是否一致，如一个小组内90%喜欢喝咖啡，10%的人喝茶，那么推荐结果就是90%是咖啡，10%是茶；遵从偏见是指用户容易受到其他用户意见的影响，倾向于放弃个人独特兴趣而保持与大多数人意见的一致，如羊群效应；长期公平性是指需要考虑长期且动态的环境下如何保证推荐的公平性，如物品的流行度是随着时间变化的[12]。

混合推荐算法是通过结合多个推荐算法来提高准确度和推荐效果的，但是这些推荐算法本身可能存在偏见，从而导致混合推荐算法的偏见。为了解决算法偏见问题，采用一些算法技术来检测和消除算法的偏见，如基于约束规划的算法，基于主成分分析（Principal Component Analysis，PCA） 的算法和用戶反馈机制来纠正算法偏见，但仍需要大量的实验与探索。

3.4 冷启动

冷启动指当一个新用户或者一个新商品进入电商相关领域平台时，由于缺乏历史数据，推荐算法无法准确地预测用户的偏好和行为。冷启动可以分为两类：用户冷启动和物品冷启动。用户冷启动指的是当一个新用户加入系统时，由于缺乏其历史行为数据，推荐系统无法准确地了解其兴趣和偏好，从而无法提供个性化推荐。物品冷启动则指的是当一个新的物品加入系统时，由于缺乏与该物品相关的历史数据，推荐系统无法有效地为用户推荐该物品。大多数过于依赖于用户和物品的历史交互数据的推荐算法，如协同过滤，都会遇到冷启动的问题。该问题会降低推荐算法的覆盖率和用户的满意度。为了解决推荐算法的冷启动问题，研究者们提出了许多方法。例如，提出了基于内容的推荐、基于内容的推荐和协同过滤的混合推荐方法。针对用户冷启动采用的“千人一面”的方式推荐热门物品，或利用附加信息与专家标注进行推荐。随着技术的不断发展，深度学习、社交网络和因果推理等方法被采纳，用于挖掘用户和物品的深度属性，从而辅助系统借鉴其他相关任务或领域的经验来应对冷启动问题。

4 总结

目前，在电商相关领域中的混合推荐算法近年来取得了显著的进展，尤其随着神经网络算法的提出，深度学习混合推荐算法通过引入更多的商品特征信息，尝试建模传统算法无法处理的数据类型，引入更多的商品特征信息提升推荐算法的效果。其中，传统的协同过滤算法与神经网络的结合、基于知识图谱的混合推荐算法成为当下研究的热点。现有的电商相关领域中的混合推荐算法拥有了不错的推荐效果，但仍面临着一些问题，如多源数据融合的问题、用户隐私安全问题和算法偏见等问题没有得到较好的解决。未来，电商相关领域中的混合推荐算法可以聚焦于自动选择最优算法、自适应调整算法权重以及实时混合推荐算法等方面，以进一步提高推荐的准确性和个性化程度。

参考文献：

[1] 黄玉盛.基于协方差的个性化推荐算法研究[D].成都：成都理工大学，2020.

[2] LIU C，LI L，YAO X L，et al.A survey of recommendation algorithms based on knowledge graph embedding[C]//2019 IEEE International Conference on Computer Science and Educational Informatization （CSEI）.IEEE，2019：168-171.

[3] WANG H W，ZHANG F Z，WANG J L，et al.Exploring high-order user preference on the knowledge graph for recommender systems[J].ACM Transactions on Information Systems，37（3）：32.

[4] DONG X，YU L，WU Z H，et al.A hybrid collaborative filtering model with deep structure for recommender systems[C]//Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence.ACM，2017：1309-1315.

[5] WANG X， LI Q， YU D， et al. Neural graph collaborative filtering[C]//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval，2019：165-174.

[6] HE X N，LIAO L Z，ZHANG H W，et al.Neural collaborative filtering[C]//Proceedings of the 26th International Conference on World Wide Web.Perth Australia.Republic and Canton of Geneva，Switzerland：International World Wide Web Conferences Steering Committee，2017.

[7] WANG H W，ZHANG F Z，WANG J L，et al.RippleNet：propagating user preferences on the knowledge graph for recommender systems[J].ACM， 2018.

[8] NI W K，DU Y H，MA X B，et al.Research on hybrid recommendation model for personalized recommendation scenarios[J].Applied Sciences，2023，13（13）：7903.

[9] GUO Q， ZHUANG F， QIN C， et al. A Survey on Knowledge Graph-Based Recommender Systems[J].IEEE Transactions on Knowledge and Data Engineering，2020，50（7）：937-954.

[10] ZHANG S，LIU H Y，MEI L，et al.Predicting viewer’s watching behavior and live streaming content change for anchor recommendation[J].Applied Intelligence，2022，52（3）：2480-2495.

[11] WU F Z，QIAO Y，CHEN J H，et al.MIND：a large-scale dataset for news recommendation[C]//ACL，2020：3597-3606.

[12] 李東胜，练建勋，张乐，等.推荐系统：前沿与实践[M].北京：电子工业出版社，2022.

【通联编辑：王 力】