manually中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

基於知識圖譜表示法學習增強使用者與物品交互關係於推薦系統之效能改進

為了解決manually中文的問題，作者段寶鈞 這樣論述：

　　在推薦系統（Recommendation System）中，知識圖譜（Knowledge Graph）扮演著越來越重要的角色。但幾乎沒有任何方法考慮到知識圖譜為不完整的可能性，現有方法大多單純透過標題或其他簡易資訊將使用者－物品偏好關係圖（User-item Interaction Graph）上的物品（Item）與知識圖譜上的實體（Entity）進行連線（Alignment），卻不曾考慮到連線可能有誤或是物品其實並不存在於知識圖譜上。因此本論文提出了一個新的想法，便是透過物品和實體的文本特徵，加入模型來計算兩邊的相似度，進而獲得連線。　　另外，我們發現現有的推薦系統幾乎都是使用一對一連

線，在訓練過程中直接將連線的物品與實體合併為同一點，並透過知識圖譜上其他相關資訊的連線來協助訓練。但這種透過知識圖譜上的多點跳躍（Multi-hop）所訓練出來的推薦系統，有丟失資訊、訓練時間過長或模型過擬合（Overfitting）的可能性發生。於是，本論文基於此，提出將一對一連線擴展至多對多連線的概念。因為本論文之連線方式都是計算兩邊的相似度來進行連線，因此也很容易可得到多對多連線。另外，本論文將 Text-aware Preference Ranking for Recommender Systems（TPR）模型的物品與詞語關係圖（Item-word Graph）的詞語部分替換為實體來

進行訓練達成了多對多連線之目的。　　本論文在四個真實世界的巨量資料集上進行 Top-N 推薦任務，且為了證明連線數多寡是否影響推薦效果，我們也進行了多對一與多對多的比較實驗。除此之外，我們將物品與實體進行隨機連線，來確認本論文提出之連線方式的有效性。本論文也透過更替知識圖譜的實驗，來確保多對多連線方式在不同的條件下依然能夠保持相同表現。而我們也透過實驗來驗證「連線正確與否並不影響推薦成效」之假說。最後，在實驗結果的部分，其數據表現呈現出我們所提出之多對多連線方式與使用者－物品推薦系統或加入知識圖譜之圖神經網路（Graph Neural Network）推薦模型實際比較後大多能取得最佳的推薦效果

。