文献综述（或调研报告）：
3.1 传统推荐算法
传统的推荐算法有基于热度算法、基于标签算法、基于模型算法、协同过滤算法等，而协同过滤算法是推荐算法中最经典的算法[1]。在使用协同过滤算法进行电影推荐时，应考虑到如下社会因素、空间位置因素等。考虑社会因素包括：用户倾向于接受朋友的推荐，并利用社交因素来提高对景点的推荐质量；使用矩阵分解模型通过整合用户的社会影响力来增强模型；将朋友类型分为社交朋友，位置朋友和密友。考虑位置因素包括：幂律分布，高斯分布，核密度估计。核密度估计（KDE）在概率论中用于估计未知的密度函数，是非参数测试方法之一。除此之外，还应考虑时间因素以及人口因素等[2]。然而，在用户数据不足，推荐缺乏先验知识时，协同过滤算法通常会遭遇冷启动(cold-start)问题[4]。
结合FNN、CNN、以及VGG16等模型，采用基于联合神经网络的电影推荐模型可在数据缺乏的情况下提供可靠的推荐信息，用户满意率高。然而该系统无法处理用户兴趣点的及时性易变性问题以及用户的安全隐私问题[3]。
为解决缺乏先验知识的新歌手时遭遇的冷启动问题，也将通过语义网络获得的艺术家信息，和通过音频信号获得的曲目信息嵌入到多模式网络中，结果表明，在特征级别（即艺术家元数据和音轨）之间划分推荐问题，以及在多模式方法中合并特征嵌入可以提高推荐的准确性[5]。
结合协同过滤方法以及基于内容文本方法的混合模型[10]，可提出了一种可感知情绪的推荐框架，以根据汇总的历史评论为在线用户推荐商品。通过情感分析，结合用户端（用户评分）和电影端（电影摘要）以建立用户个人喜好。通过以下四类提取：基于常见名词和名词短语的提取；通过利用意见和目标关系来进行提取；使用监督学习进行提取；使用主题建模进行提取，构建特征-意见对，更加精准的进行推荐。
3.2 知识图谱
结合知识图谱，推荐系统同样可以减少冷启动问题带来的影响。知识图谱(KG)是有向异构图，其中节点对应于实体（项目或项目属性），而边对应于关系。将知识图谱与卷积神经网络(CNN)相结合，提出的知识图卷积网络(KGCN)，这是一个端到端框架，可以探索用户对知识图的推荐系统偏好。 通过扩展KG中每个实体的接收范围，KGCN能够捕获用户的高阶个性化兴趣[6]。对该模型进行标签平滑正则化，可改进为具有标签平滑度正则化的知识感知图神经网络(KGNN-LS)，以提供更加优秀的推荐。标签平滑度在边缘权重上提供了正则化，可证明它与图形上的标签传播方案等效。在四个数据集上进行的实验表明，该方法优于最先进的基准[7]。KGNN-LS在用户项目交互稀疏的冷启动场景中也具有出色的性能。
目前现存的基于知识图谱的推荐系统可分为以下三种：
（1）基于嵌入的方法使用知识图嵌入（KGE）算法对KG进行预处理，然后将学习的实体嵌入合并到推荐中[8]。基于嵌入的方法在利用KG来辅助推荐系统方面具有很高的灵活性，但是KGE算法更侧重于建模严格的语义相关性，这更适合于诸如链接预测等图形应用比建议。此外，基于嵌入的方法通常缺乏端到端的培训方式。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
