基于知识图谱的双端邻居信息融合推荐算法

摘要：

针对一些基于知识图谱的推荐算法仅聚合一端邻居而无法有效确定实体与用户之间关系的问题,提出了一种基于知识图谱的双端邻居聚合推荐算法,算法通过探究知识图谱的内在联系以发掘用户和物品之间的潜在关系.在用户端,提出了一种聚合用户邻居信息的方法,在知识图谱的关系空间下,使用知识图谱来传播和提取用户的潜在兴趣,通过迭代将潜在兴趣注入具有注意偏差的用户特征中生成用户嵌入表示向量;在物品端,将融合了用户邻居信息的用户向量送入KGCN模型,并在聚合物品和其邻居信息时,采用新的聚合方式,生成物品嵌入表示向量.最后,将得到的用户和物品向量送入预测环节,通过向量的内积运算并归一化得到用户和物品的关联分数,然后在训练集中进行训练,优化参数.在两个公开数据集上进行对比实验,在Book-Crossing数据集上,相较于最优基线,AUC和ACC分别提升了1.72％和4.24％;在Last.FM数据集上,AUC和ACC分别提升了1.07％和1.14％,从而验证在聚合两端邻居信息后,算法的有效性得到了提升.

关键词：推荐算法、知识图谱、邻居聚合

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

资助基金：赛尔网络下一代互联网技术创新项目NGII20170104

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8页

页码：1354-1361