知识水波图卷积网络推荐模型

摘要：

为了解决基于知识图谱的推荐系统中常见的高阶建模难和用户特征建模不充分问题,提出了以端到端的方法获取知识图谱中高阶语义信息的知识水波图卷积网络(KRGCN).模型分为用户特征学习和项目特征学习两部分,其中用户特征学习基于用户历史交互记录,利用偏好传播和交叉压缩单元进行嵌入传播来获得用户特征表示;项目特征学习是在项目知识图谱上利用图卷积网络聚合每一项目的高阶邻域信息,使用偏差区分项目邻域的重要性来获得项目特征表示.最后,利用用户特征表示和项目特征表示计算预测值,利用向量之间的内积操作计算用户与项目的交互概率.在两个公开数据集上,使用五个基线方法进行了对比实验.在Book-Crossing数据集上,KRGCN的AUC、ACC和F1值分别提升了4.43%～11.96%、1.68%～10.82%和1.90%～12.78%;在Last.FM数据集上,KRGCN的AUC、ACC和F1 值分别提升了 2.94%～16.84%、2.36%～16.59%和0.83%～17.69%.实验结果表明,KRGCN能够同时实现用户和项目的高阶建模,与其他代表性的模型相比有良好的推荐效果.

关键词：推荐系统、知识图谱、偏好传播、图卷积网络(GCN)

所属期刊栏目：17

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2209-2218