基于知识图谱和深度涟漪网络的推荐

作者：唐彦; 卢镘旭

来源：计算机工程, 2022, 1-13.

DOI：10.19678/j.issn.1000-3428.0065210

• 知识图谱
• 深度学习
• 涟漪网络
• 改进的交叉压缩单元
• 推荐系统

近年来，利用知识图谱和深度学习进行推荐得到了广泛的研究和应用，但多数推荐模型对物品表示建模不够完整，对用户及物品的高阶交互信息也未能进行全面捕捉和充分利用。针对用户特征和物品特征高阶表示的提取，本文提出了一种知识图谱交叉涟漪网络（Knowledge Graph Cross Ripple Network，KGCRN），将用户和物品间的交互信息和知识图谱的关联信息进行联合提取。KGCRN利用涟漪网络的传播对用户偏好和物品特征建模，同时丰富二者的表示，提升推荐的性能。特别地，KGCRN模型设计了一种改进的交叉压缩单元处理涟漪网络的输出，利用涟漪网络的传播和交叉压缩单元的高阶特征交互获得准确、全面的物品高阶表示，提高了模型推荐精度并增强了模型应对数据稀疏场景的能力。本文分别在电影、书籍、音乐三个数据集上进行实验，实验结果表明，与KGCN等基线方法相比，KGCRN在点击率（Click-Through-Rate，CTR）预测、Top-K推荐和应对数据稀疏性三种场景下的性能均有显著提升。其中，相较于KGCN，CTR预测实验中KGCRN在电影、书籍、音乐三个数据集下的AUC增益分别达到了0.42%，5.02%，2.46%，在TOP-K实验中，KGCRN的F1值分别提升了3.29%，2.86%，0.96%。

• 单位
  河海大学