融合知识图谱与图卷积网络的混合推荐模型

摘要：

针对当前多数基于知识图谱的推荐模型未能充分对用户特征建模,且未考虑知识图谱中实体间的邻域关系的问题,提出了一种融合知识图谱与图卷积网络的混合推荐模型(HKC).首先,利用KGCN算法捕捉项目间的相关性,通过邻域聚合计算得到项目的特征向量;然后,通过协作传播提取知识图谱中与用户相联系的实体,使用交替学习的方式同时优化模型预测单元和知识图谱嵌入单元,通过交互单元计算得到用户的特征向量;最后,将用户特征向量和项目特征向量送入预测环节,通过向量的内积运算以及归一化操作计算用户与项目的交互概率.在三种公开数据集上与七个基线模型进行了对比实验,在MovieLens-1M数据集上,AUC提升了0.25％～37.41％,ACC提升了0.78％～49.44％;在Book-Crossing数据集上,AUC提升了0.04％～19.38％,ACC提升了6.49％～18.60％;在Last.FM数据集上,AUC提升了1.33％～33.50％,ACC提升了0.36％～30.66％.实验结果表明,提出的混合推荐模型与其他具有代表性的推荐模型相比具有良好的推荐性能.

关键词：推荐系统、知识图谱、交替学习、邻域聚合

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61972182

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1343-1353