文档详情

基于知识图谱的知识推荐方法研究.pdf

发布:2025-05-05约9.33万字共63页下载文档
文本预览下载声明

基于知识图谱的知识推荐方法研究

摘要

作为应对信息过载问题的有效工具,基于知识图谱的推荐系统能够帮助用户从海

量信息中提取个性化的、符合用户兴趣的推荐内容。通过深度挖掘知识图谱中的丰富

语义信息和实体关系,推荐系统能够更准确地捕捉用户的兴趣和偏好,并为用户提供

个性化的推荐服务。传统的基于知识图谱推荐模型存在常见的问题存在不能充分利用

实体和关系之间的信息联系和高阶特征分析不足的问题。本文提出一种将知识图谱作

为辅助信息的基于多任务特征学习的推荐模型来解决上述问题。

本文针对实体和关系之间信息联系利用不足的问题,提出了一种实体和关系之间

交互的优化方法。将头嵌入和关系嵌入作为输入,放入相应的图神经网络模型中进行

训练,在训练过程中,图神经网络模型能够综合考虑邻近节点的信息,通过多层传播

机制逐步更新节点特征,最终获得更加丰富和有意义的节点表示。从图神经网络模型

中提取出学到的节点特征,作为新的交互特征。新的交互特征不仅包含原始信息,还

融入了图神经网络对邻居节点信息的综合分析结果,因此能够更好地表征实体和关系

之间的复杂交互。

针对高阶特征分析不足的问题,本文在知识图谱模型和推荐系统模型的交叉训练

中引入了深度交叉网络(DCN),旨在专注于学习高阶特征交叉,以提升模型的表达能

力。本文将知识图谱的头嵌入、关系嵌入与推荐系统模型的用户嵌入、项目嵌入结合

起来,作为DCN的输入。深度交叉网络通过其交叉层不断进行高阶特征交互的建模,

并通过深度网络层进一步提取和组合特征,从而生成更加精细和丰富的特征表示。

最后本文使用Yelp2018数据集、Amazon-Books数据集以及Gowalla数据集对本文

提出的模型进行实验,并和其他推荐基线模型进行比较,根据实验结果,和基线模型

相比,本文提出的MCKR模型在点击率预估(CTR)和Top-K两个评价指标上都表现优

秀,实验结果验证了MCKR模型的优越性。

关键词:知识图谱;多任务;图神经网络;注意力机制

基于知识图谱的知识推荐方法研究

Abstract

Asaneffectivetooltodealwiththeproblemofinformationoverload,recommendation

systemsbasedonknowledgegraphscanhelpusersextractpersonalizedrecommendation

contentthatmatchestheusersinterestsfrommassiveinformation.Bydeeplyminingtherich

semanticinformationandentityrelationshipsintheknowledgegraph,therecommendation

systemcanmoreaccuratelycaptureusersinterestsandpreferencesandprovideuserswith

personalizedrecommendationservices.Commonproblemsintraditionalknowledgegraph-

basedrecommendationmodelsincludetheinabilitytofullyutilizetheinformationconnections

betweenentitiesandrelationshipsandinsufficientanalysisofhigh-orderfeatures.Thispaper

proposesarecommendationmodelbasedonmulti-taskfeaturelearningthatusesknowledge

graphsasauxiliaryinformationto

显示全部
相似文档