科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的推荐算法仅依靠历史行为无法挖掘到用户的深层兴趣，且受到用户冷启动问题的制约，针对上述问题提出融合知识图谱的用户多层兴趣模型（MIKU）．该模型首先以用户的历史交互项目为知识图谱的头实体构建用户浅层兴趣，结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣；其次考虑到用户兴趣的多样性，针对不同层次的兴趣分别采用自适应加权机制，学习用户对每个历史行为以及各个深层兴趣点的关注度．该模型在细粒度刻画物品特征的同时，利用知识图谱的结构信息为用户的推荐结果提供了一定的可解释性，并且结合了用户的属性特征有效解决了冷启动问题．通过在公开的MovieLens-1M数据集上进行验证，结果表明MIKU模型同CKE、RippleNet等基准模型相比，在推荐结果的准确率上提高了1.93%～5.59%、召回率上提升了2.95%～4.7%.
- 单位
