بلاگ

استفاده از گراف دانش برای سیستم های توصیه گر

در سال‌های اخیر، سیستم‌های توصیه‌گر نقش فزاینده‌ای در کمک به کاربران برای کشف موارد مورد علاقه از مجموعه‌های منابع متعدد در خدمات آنلاین مختلف بازی کرده‌اند. روش‌های پیشنهادی شامل فیلترینگ مشارکتی (CF)، رویکرد مبتنی بر محتوا، و ترکیبی از هر دو روش است.
با ظهور مداوم نمودار دانش (KG)، تعداد فزاینده ای از محققان از پایگاه دانش مانند YAGO، NELL، DBpedia و DeepDive با دانش غنی برای بهبود عملکرد توصیه ها استفاده کرده اند. KG ها به عنوان شبکه های معنایی ساخته می شوند، به این معنی که ما می توانیم شباهت های معنایی بین موجودیت ها را محاسبه کنیم و می توانیم مدل های پیشنهادی مختلف را ترکیب کنیم و می توانیم مسائل پراکندگی داده ها و شروع سرد را مدیریت کنیم.
به عنوان مثال در حوزه فیلم، یک سیستم توصیه‌کننده می‌تواند بر اساس KG که شامل اطلاعات مشترک، کاربران، آیتم‌ها و ویژگی‌های آن‌ها است، برخی از فیلم‌های تماشا نشده‌ای را که احتمالاً دوست دارید به شما پیشنهاد دهد. (تصویر بالا)