携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第14天，点击查看活动详情
随着知识图谱的兴起以及知识图谱嵌入技术（KGE）的发展，在搜索引擎，推荐系统以及其他人工智能领域知识图谱被广泛的使用，在提升推荐效果上具有显著的效果。在推荐系统中，知识图谱更容易为用户提供推荐物品的原因，它可以更加轻易的得到推荐物品与之前物品之间的关联，从而使推荐结果更易于被用户接受；同时，知识图谱也可以使得产品的特性表达更加明确，并将其添加到推荐模型中，从而提高了推荐效果的精确度。
基于知识图谱的推荐技术发展很快，在知识图谱出现的短短数年内，相关的研究成果层出不穷，根据训练方法的差异，可以归纳为三大类：
依次训练
一是依次训练，也是最简单易懂的一种，将知识图谱嵌入学习得到实体向量与关系向量，将获取的两种向量再将其作为输入特征加入到推荐算法中进行学习，从而对其进行预测和评价，基本框架如图所示。
联合训练
第二种训练方式为联合训练，将知识图谱中的特定结构信息和推荐信息结合起来，把结构化的信息作为输入特征加入到模型中，形成一个图2-4所示的模型框架，该方法在提高推荐效果方面比顺序训练法要好，但是它的特点工程比较复杂，结构比较复杂，导致建模速度慢，而且占用的内存也比较大。
交替训练
最后一种称为交替训练，其将知识图谱嵌入和推荐预测看作是两个独立的训练任务，但是共享知识图谱的实体向量和关系向量与推荐系统的用户和物品向量，利用图2-5所示的多任务学习框架，在训练过程中，可以将二者一端的模型参数和另一端的模型进行训练，从而降低了系统的内存消耗。这种方法通常是利用特定的特征交互模块，将浅表特征矢量进行交叉，这样在预测的过程中，所耗费的时间并不会太大。
