1、深度学习的可解释性
深度学习在 CV、NLP 等领域获得了巨大的成功，但是可解释性一直是深度学习的一个弱点，深度学习复杂性高，参数多，人们一般无法解释这种“端到端”模型做出决策的原理，也无法判断决策的可靠性。大部分的深度学习模型都采用数据驱动的方法，很少关注知识驱动，因此，将知识图谱与深度学习相结合构建具有可解释性的深度学习模型是一个新的研究课题。
2019 年，CAO 等［84］考虑到知识图谱总是不完整的，因此，他们在将知识图谱引入推荐系统时还加入了知识图谱补全技术，利用知识图谱的先验知识来增强用户-系统的交互，通过用户-系统的交互来补全知识图谱，实现了相互增强的效果，提高了推荐的可解释性。
先验知识是指在进行学习或推理之前，已经具备的关于问题领域的先前知识或经验。它是在之前的学习、实践或观察中获得的知识，可以是来自领域专家的专业知识、先前研究的结果、规则或常识性的知识等。
2、深度学习的指导
知识图谱可以作为约束来优化目标，将知识图谱中的知识表达作为优化目标的后验正则项，从而提升深度学习模型的性能。
3 深度学习推理
深度学习本质上是一种映射，并不具有推理性，缺乏“归纳推广”的能力。贝叶斯网络之父 JUDEA PEARL 在文献［90］中也明确提出，当前机器学习的突破口在于“因果革命”。基于此，在因果推理领域，最典型的方法是 BATTAGLIA 等［91］面向关系推理而提出的图网络，该网络将图与深度学习相结合，图网络具有较好的归纳推广和推理能力，同时也具备深度学习“端到端”的灵活性，其主要的计算单元为图网络模块（graph-to-graph），输入为图的格式，对结构进行计算并返回图作为输出，图网络相对于普通的神经网络具有归纳推广和组合概括的能力，使得深度学习也能进行因果推理。图神经网络除了具有较好的归纳推广和因果推理能力之外，其最大的优点在于可以处理非欧几里德结构数据。图神经网络可以分为不同的类别，如图卷积网络（Graph Convolution Networks，GCN）、图注意力网络（Graph Attention Network，GAT）等。
在推荐模型方面，文献［92］提出一种混合推荐模型，其包含 2 个模型，分别是由知识图谱和深度学习相结合的 RCKD 模型和知识图谱与协同过滤相结合的 RCKC 模型。其中：RCKD 模型首先利用已知的三元组 (h，r，t)构成图，再搜索知识图谱中的推理路径，利用 TransE 模型将推理路径嵌入成路径向量，最后利用深度学习获取路径向量中的语义预测评分；RCKC 模型则利用 TransE 模型获取知识图谱中的实体向量，再利用协同过滤思想对用户进行物品推荐，其推荐准确率相对较高。
