融合知识图谱和深度学习的电影推荐系统开题报告

近年来，由于互联网应用广泛而深入的普及给推荐系统带来了更好的发展机遇。推荐算法的不断创新与发展 ^{REF _Ref126111845 \r \h \* MERGEFORMAT [1]}，让个性化推荐系统的应用与落地达到了前所未有的高度。

针对个性化推荐系统这一需求，国内外都对此进行了大量研究。

1998年亚马逊首次提出基于物品的协同过滤算法，并将该算法应用于美国最大规模的电商网站中 ^{REF _Ref126111858 \r \h \* MERGEFORMAT [2]}。2005年Adomavicius等人所发表的论文将推荐算法分为三个类别并进行了详细的阐述，将推荐算法逐渐系统化和结构化并提出推荐算法可能的发展方向和新趋势 ^{REF _Ref126111771 \r \h \* MERGEFORMAT [3]}。2012年Google 正式发布知识图谱。知识图谱是一个异构图，图中的节点作为实体，节点与节点之间的边作为实体之间的关系。将用户与用户信息融合到知识图谱中来，便于系统更加准确地捕捉用户偏好 ^{REF _Ref126111881 \r \h \* MERGEFORMAT [4]}。

随着信息与数据量的剧增，推荐系统被国内各大厂商频繁引进，广泛的应用于个性化广告推荐等诸多领域 ^{REF _Ref126111899 \r \h \* MERGEFORMAT [5]}。咪咕音乐、虾米音乐等音乐平台通过挖掘听众的听歌偏好信息来提供个性化音乐推荐服务；淘宝、苏宁等网购平台利用推荐算法为购物者推荐他们可能中意的商品等。

现阶段推荐系统中所采用的推荐技术大都为以下几类 ^{REF _Ref126111916 \r \h \* MERGEFORMAT [6]}：(1)基于内容的推荐；(2)协同过滤推荐；(3)基于知识图谱的推荐；(4)基于深度学习的推荐；(5)基于融合模型的推荐。

基于内容的推荐算法是最早广泛应用于推荐服务的算法，在文本、电子商务和新闻等领域的推荐中得到广泛应用。该算法通过分析用户历史交互数据与项目属性，生成相应的用户行为特征向量和项目属性特征向量 ^{REF _Ref126111802 \r \h \* MERGEFORMAT [7]}。通过函数计算用户和项目向量之间的相似度，以此来产生相似度评分，确定用户兴趣大小，生成推荐结果 ^{REF _Ref126111933 \r \h \* MERGEFORMAT [8]}。虽然基于内容的推荐算法具有较好的可解释性,但在不同的推荐背景下收集所需要的内容信息十分耗时。

协同过滤推荐算法是目前推荐技术中研究与应用最为广泛的推荐算法，适用于提取结构化文本用户与项目特征 ^{REF _Ref126111941 \r \h \* MERGEFORMAT [9]}，难以处理视频、音频等非结构化数据。但与许多基于内容的推荐算法相比,协同过滤推荐的解释推荐结果不直观^[10]。

但这两种推荐算法大多都聚焦于推荐结果的准确性，而忽略了推荐结果的可解释性，无法解释给某个用户推荐某个商品的原因。随着深度学习技术的蓬勃发展，使得对文本、图像等具有复杂结构的数据进行建模成为可能^[11]，越来越多的研究开始利用深度学习技术来实现可解释推荐系统，尝试用深度学习将文本、图网络、图像等附属信息融入进推荐模型中，在提高推荐准确性的同时实现系统的可解释性^[12]。基于深度学习的推荐算法可以挖掘出传统模型难以涉及的潜在关系，而且其模型结构更为灵活，因此能够根据具体业务场景，以及所使用数据的特点，进行相应的改进，还可以有效挖掘用户-物品关系之间的隐含特征^[13]。

知识图谱是一种全新的语义网络，以三元组的形式存在，知识图谱内部包含了丰富的关联关系，为推荐算法提供了丰富的特征信息^[14]，有利于充分的挖掘用户和物品的特征信息，在推荐算法中作为辅助信息得到了广泛的应用。并且构建知识图谱只需要利用实体与实体之间的关系,这将很大程度减少基于内容推荐时提取内容信息的工作量^[15]。

混合推荐算法同时综合多种推荐算法的优点^[16],能够避免单一推荐算法中的固有缺点。常见的算法结合方法有：加权、结果混合排序、特征组合等。

【参考文献】

[1] 杜香焜.基于知识图谱表示学习的推荐技术研究与应用[D].北京工业大学,2020.

[2] 赵文栋.基于知识图谱的电影推荐研究[D].深圳大学,2020.

[3] 王钰蓥.基于知识图谱的推荐算法性能优化研究[D].北京工业大学,2021.

[4] 贾帅琪.基于知识图谱的推荐算法研究与实现[D].电子科技大学,2022.

[5] 徐海文.基于知识图谱的个性化推荐算法研究[D].广东工业大学,2022.

[6] 王鸿飞.基于知识图谱的个性化习题推荐系统的研究与应用[D].南昌大学,2022.

[7] 王越群.基于知识图谱的深度推荐系统研究[D].吉林大学,2022.

[8] 吴建华.基于知识图谱与深度学习的推荐算法的应用研究[D].河北工程大学,2021.

[9] 张丹宁.基于知识图谱与深度强化学习的可解释算法研究[D].上海财经大学,2021.

[10]康雁,李涛,李浩,钟声,张亚钏,卜荣景.融合知识图谱与协同过滤的推荐模型[J].计算机工程,2020,46(12):73-79 87.DOI:10.19678/j.issn.1000-3428.0056234

[11]徐兵.基于知识图谱的推荐研究综述[J].现代计算机,2021,(04):60-63.

[12]朱桂明.基于知识图谱和深度学习的个性化推荐方法研究[D].桂林电子科技大学,2020.

[13]张旭峰.基于知识图谱的深度推荐算法研究[D].黑龙江大学,2021.

[14]李一豪.基于知识图谱与深度学习的个性化推荐算法研究[D].哈尔滨工程大学,2021.

[15]武家伟,孙艳春.融合知识图谱和深度学习方法的问诊推荐系统[J].计算机科学与探索,2021,15(08):1432-1440.

[16]吴舒展.融合知识图谱和深度学习的学术论文推荐算法[J].智能计算机与应用,2022,12(06):60-64 71.

1. 系统功能结构

系统总体功能结构如图1所示

图1 电影推荐系统功能结构

1）用户注册部分：填写用户手机号，设置密码，注册账号。

2）用户登录部分：填写正确的账号、密码，用户成功登录，进入系统首页。

3）用户评分部分：用户标记看过的电影，根据喜好进行评分。

4）电影展示部分：展示电影海报，点击可查看电影详细信息，包括电影类型、发行年份及导演。

5）电影推荐部分：根据用户评分数据，个性化推荐用户喜爱电影。

2.核心功能流程图

图2系统总体功能流程图

3.研究方案

基于知识图谱和深度学习的电影推荐系统后台的设计与实现主要分为四个部分

1）电影推荐系统的页面设计。完成推荐系统的用户注册与登录功能，录入数据库，呈现电影信息。

2）数据库表设计。

数据库E-R图如图3所示：

图3 E-R图

各实体类描述如下：

用户信息表（用户ID，主键自动递增，用户姓名，手机号，密码）

用户评分表（用户ID，电影ID，电影评分，评分时间）

外部链接表(电影ID，imdbID)

电影属性表(imdbID，电影名称，海报链接)

电影信息表（电影ID,主键自动递增，电影名称，类型，发行时间，导演）

3）基于知识图谱与深度学习的个性化推荐模型。在协同过滤算法的基础上依据实际情况对算法进行设计与改进，拟融合知识图谱和深度学习对算法进行改良。

4）推荐结果展示。

三、工作计划

2022-2023-1学期：

第15-16周：与导师沟通进行课题总体规划，查阅文献，确定选题。

第17周：完成论文题目，查阅相关中英文资料。

第18-19周：导师下发毕业设计（论文）任务书，根据导师的要求进行外文翻译，设计研究思路，进行开题报告的撰写。

2022-2023-2学期：

第1周：提交开题报告，进行课题的需求分析。

第2-3周：在导师的指导下进行课题详细设计。

第4周：在导师指导下进行课题模块化设计并进行模块代码编写与调试。

第5周：筹备中期检查相关事宜。

第6周：根据中期检查的结果进行整改。

第7-8周：提交论文提纲给指导老师审阅，在指导老师审阅通过之后，按照提纲撰写毕业论文初稿。

第9周：根据导师对论文初稿的指导意见，进行修改、完善毕业论文二稿并打印装订成册。

第10周：提交报告论文终稿及合格的论文检测报告、毕业设计（论文）资料装袋。

第11周：审查论文检测报告、指导教师和评阅教师完成论文的评阅，修改论文，交给导师批阅，完成三稿。

第12周：制作毕业设计的相关演示课件，准备毕业答辩。