摘要
推荐系统可以帮助用户快速发现有用信息,有效提高用户的检索效率,然而推荐系统存在数据稀疏性、冷启动等问题,现有的融合了社交关系的推荐算法大多忽略了社交关系数据的稀疏性,且同时融合社交关系和物品属性数据的推荐算法较少,为解决这方面的问题,提出了一种融合社交关系和知识图谱的推荐算法(multi-task feature learning approach for social relationship and knowledge graph enhanced recommendation, MSAKR)。首先,该算法通过图卷积神经网络提取用户的社交关系得到用户的特征向量,采用图中心性筛选邻居,采用word2vec模型思想生成虚拟邻居,从而缓解社交数据的稀疏性,采用注意力机制来聚集邻居;其次,采用多任务学习和基于语义的匹配模型来提取物品属性知识图谱信息得到物品的特征向量,最后,根据得到的用户和物品特征向量向用户综合推荐。为验证提出算法的性能,在真实数据集豆瓣和yelp上进行实验验证,分别使用点击率预测和top-K推荐来评估模型性能,实验结果表明,提出的模型优于其他的基准模型。
- 单位