科研之友
微信
新浪微博
Facebook
分享链接
摘要
知识图谱（KnowledgeGraph）作为一种辅助信息，可以为推荐系统（RecommendationSystem）提供更多的上下文信息和语义关联信息，从而提高推荐的准确性和可解释性。通过将项目映射到知识图谱中，推荐系统可以将从知识图谱中学习到的外部知识注入到用户和项目的表示中，进而增强用户和项目的表示。但在学习用户偏好时，基于图神经网络的知识图谱推荐主要通过项目实体利用知识图谱中的属性信息和关系信息等知识信息。由于用户节点并不与知识图谱直接相连，这就导致不同的关系信息和属性信息在语义上和用户偏好方面是独立的，缺乏关联的。这就表明，基于知识图谱的推荐难以根据知识图谱中的信息来准确捕获用户的细粒度偏好。因此，针对用户细粒度兴趣难以捕捉的问题，本文提出了一种基于知识图谱的兴趣捕捉推荐算法（InterestCapturingRecommendationbasedonKnowledgeGraph，KGICR）。该算法利用知识图谱中的关系和属性信息来学习用户的兴趣，并增强用户和项目的嵌入表示。为了充分利用知识图谱中的关系信息，设计了关系兴趣模块以学习用户对不同关系的细粒度兴趣。该模块将每个兴趣表示为知识图谱中关系向量的组合，并利用图卷积神经网络在用户项目图和知识图谱中传递用户兴趣以学习用户和项目的嵌入表示。此外，还设计了属性兴趣模块以学习用户对不同属性的细粒度兴趣。该模块采用切分嵌入的方法为用户和项目匹配与它们相似的属性，并使用与关系兴趣模块 中相似的方法进行消息传播。最终，在两个基准数据集上进行实验，实验结果验证了该方法的有效性和可行性。
- 单位
