مروری بر سیستم‌‌های توصیه‌گر مبتنی بر گراف دانش

در سال‌های اخیر با توجه به رشد روزافزون حجم داده‌ها در بستر‌های مختلف، استفاده از سیستم توصیه‌گر برای کمک به کاربران در کشف محتوای شخصی مورد علاقه از این مجموعه دائماً رو به رشد، اهمیت بیشتری پیدا می‌کند. سیستم‌های توصیه‌گر علایق شخصی کاربران را کشف می‌کنند و آیتم‌هایی متناسب با علاقه‌شان به آن ها پیشنهاد می‌دهند. با وجود توسعه‌هایی که در سیستم‌های توصیه‌گر شده است، اما کماکان این سیستم‌ها از مشکلات شروع سرد و پراکندگی داده‌ها رنج می‌برند. یکی از روش‌هایی که برای حل این مشکلات ارائه شده است، به‌کارگیری گراف دانش در سیستم های توصیه‌گر به‌عنوان اطلاعات جانبی است. استفاده از گراف دانش در سیستم توصیه‌گر، علاوه بر بهبود کارایی در حالت شروع سرد، توضیحاتی در مورد دلیل توصیه هر آیتم به کاربران نیز ارائه می دهد. در این مقاله ما به بررسی سیستم‌های توصیه‌گر مبتنی بر گراف دانش موجود می‌پردازیم و کارهای مرتبط انجام‌شده در این حوزه را مورد بررسی قرار می‌دهیم.