（6-2）基于知识图谱的推荐：知识表示和语义关联

6.2  知识表示和语义关联

在知识图谱中，知识表示和语义关联相互作用，共同构成了知识图谱的核心内容和功能。它们通过提供丰富的语义信息和关联关系，支持推荐、搜索、推理等任务，提高了知识的利用效率和智能化水平。

6.2.1   实体和属性的表示

在Python中构建推荐系统时，实体和属性的表示是非常重要的一部分，下面列出了关于实体和属性表示的一些常见方法。

（1）实体表示

1. 独热编码（One-Hot Encoding）：将每个实体表示为一个二进制向量，向量的长度等于实体的总数，每个实体对应向量中的一个位置，该位置为1，其余位置为0。这种表示方法简单直观，适用于实体数量较少的情况。
2. 嵌入表示（Embedding）：使用向量表示来捕捉实体的语义信息和关联关系。通过将每个实体映射到一个低维连续向量空间，实体之间的相似性和关系可以在向量空间中进行计算和匹配。常用的嵌入表示方法包括词嵌入（Word Embedding）和图嵌入（Graph Embedding）等。

（2）属性表示

1. 独热编码（One-Hot Encoding）：对于离散属性，可以使用独热编码将每个属性值表示为一个二进制向量。向量的长度等于属性值的总数，对应的属性值位置为1，其余位置为0。
2. 数值化表示：对于数值属性，可以直接使用实际的数值来表示属性。可以进行归一化或标准化处理，以确保属性之间的比较和计算具有可比性。
3. 文本表示：对于文本属性，可以使用文本特征提取方法，如词袋模型（Bag-of-Words）或词向量表示（Word Embedding），将文本转换为数值表示，以便进行计算和匹配。

在推荐系统中，实体和属性的表示方法通常与具体的任务和数据特点相关。根据实际情况，可以选择合适的表示方法来表示和处理实体和属性，以支持个性化推荐、相似度计算、关联分析等任务。同时，也可以结合深度学习等技术，通过模型训练来学习实体和属性的表示，以提高推荐系统的准确性和效果。

请看下面的例子，展示了在Python商品推荐系统中创建实体和属性表示的过程。

源码路径：daima/6/shiti.py

class Product:
    def __init__(self, id, name, category, price, brand):
        self.id = id
        self.name = name
        self.category = category
        self.price = price
        self.brand = brand

# 创建商品实例
product1 = Product(1, "iPhone 12", "Electronics", 999, "Apple")
product2 = Product(2, "Samsung Gal