文档详情

基于知识图谱和图神经网络的服务推荐方法.pdf

发布:2025-06-10约10万字共72页下载文档
文本预览下载声明

基于知识图谱和图神经网络的服务推荐方法

摘要

随着数字科技和互联网的快速发展,我们已全面进入了以信息和通信技术

为核心的数字时代。在这样的时代背景下,移动应用市场成为了数字时代下不

可或缺的主要角色,本质上来说它是数字时代的一部分、同时也是众用户在智

能手机应用中寻求满足需求的关键场所。然而,随着海量移动应用的涌现,选

择出合适的应用对用户来说成为了一项具有挑战性的任务,应用选择的多样性

更提升了这一困难度。因此,为用户推荐最适合其个性和要求的应用已经成为

了一个热门研究课题,与此同时,也成为了服务推荐领域需要解决的一大难题。

传统的推荐策略,如基于协同过滤或基于内容的推荐,常常未能彻底考虑

到用户的个性化需求和特定兴趣,并且存在着冷启动的问题。对于大数量的移

动应用市场选择来说,这些方法的推荐结果往往不能让用户满足。因此,迫切

需要更智能、精确的推荐算法来更好地满足用户的个性化需求。本文针对传统

推荐算法在多样性、创新性和个性化方面的欠缺等问题,提出了融合新颖度评

分的推荐算法以及融合新颖度评分的图神经网络的推荐算法,该方法可以通过

引入新颖度评分手段实现对用户的精准推荐。本文针对传统推荐算法在多样性、

创新性和个性化方面的欠缺,主要介绍了以下两个方面的内容:融合新颖度评

分的推荐算法、融合新颖度评分的图神经网络的推荐算法,具体的研究内容如

下:

(1)针对传统推荐算法存在的冷启动和缺乏时效性问题,提出了一种融合

新颖度评分的推荐算法,将相似度计算以及应用的新颖度评分加入推荐算法之

中。首先,根据用户-应用交互数据构建用户-应用二部图,然后根据余弦相似度

计算方法计算出用户节点与应用节点之间的相似度,然后根据收集应用节点在

移动应用市场中的各种因素指标,应用聚集标签的方法来对各个因素指标赋予

合理的权重,根据这些因素指标所赋予的权重来计算出新颖度评分,最后将相

似度与新颖度评分融合在一起得到一个综合得分,根据综合得分来进行推荐。

经实验验证,与传统协同过滤算法相比,该方法能在一定程度上缓解了冷启动

问题,并能为用户推荐更具时效性的应用。

(2)针对传统推荐算法存在的缺乏创新性、多样性和个性化问题,本文在

I

上一章的基础上,提出了一种基于知识图谱和图神经网络的服务推荐方法-融合

新颖度评分的图神经网络(Novelty-EnhancedGraphAttentionNetwork,NE-GAT),

该方法在传统的图注意力网络GAT上融合新颖度评分来自适应调整图注意力权

重。同时该方法融合了移动应用市场知识图谱和用户-应用二部图来构建协同知

识图谱,采用改进后的嵌入方法TransD的方法转变成向量映射到低维空间中,

将第三章得到的新颖度评分融入到自适应图注意力权重之中来动态调整权重大

小,将高阶传播后得到的用户节点和应用节点进行聚合得到应用信息以及用户

信息,通过聚合得到的用户信息与应用信息预测得到用户选择应用的概率来进

行推荐。经实验验证,该方法在推荐结果的创新性和新颖度方面都优于传统协

同过滤方法以及仅融合新颖度评分的推荐方法。

关键词服务推荐;知识图谱;图神经网络

II

Servicerecommendationmethodbasedon

knowledgegraphandgraphneuralnetwork

Abstract

WiththerapiddevelopmentofdigitaltechnologyandtheInternet,wehavefully

enteredthedigitalerawithinformationandcommunicationtechnologyatitscore.In

thiscontext,themobileappmarkethasbecomeanindispensablemajorplayerinthe

digitalage,essentiallyapartofthedigitalage,andakeyplaceforuserstomeetthe

needsofsmartphoneapplication

显示全部
相似文档