融合协同过滤信息的知识图注意力网络

作者：顾军华; 王锐; 李宁宁; 张素琪

来源：计算机应用, 2021, 1-7.

• 推荐系统
• 知识图谱
• 协同过滤
• 注意力机制
• 图神经网络

知识图谱能够缓解协同过滤算法存在的数据稀疏和冷启动问题，在推荐领域被广泛的研究和应用。现有的很多基于知识图谱的推荐模型混淆了用户物品二部图中的协同过滤信息和知识图谱中实体间的关联信息，导致学习到的用户向量和物品向量无法准确表达其特征，甚至引入与用户、物品无关的信息从而干扰推荐。针对上述问题提出一个新的推荐模型—融合协同信息的知识图注意力网络（KGANCF）。首先，为了避免知识图谱实体信息的干扰，网络的协同过滤层从用户物品二部图中挖掘出用户和物品的协同过滤信息；然后，在知识图注意力嵌入层中应用图注意力机制，从知识图谱中继续提取与用户和物品密切相关的属性信息；最后，在预测层将用户物品的协同过滤信息和知识图谱中的属性信息融合，得到用户和物品最终向量表示，进而预测用户对物品的评分。模型在MovieLens-20M和Last-FM数据集上进行了实验，与协同知识感知注意力网络（CKAN）相比，模型在MovieLens-20M数据集上的F1分数（F1-score）提升了1.1个百分点，召回率（Recall）提升了10.5个百分点；而在知识图谱相对稀疏的Last-FM数据集上，模型的F1-score提升了3.3个百分点，Recall提升了36个百分点。实验结果表明，KGANCF能够有效提高推荐结果的准确度，在知识图谱稀疏的数据集上显著优于最新的方法。

• 单位
  河北工业大学; 天津商业大学