基于知识图偏好注意力网络的长短期推荐模型及其更新方法

作者：顾军华; 樊帅; 李宁宁; 张素琪

来源：计算机应用, 2021, 1-10.

• 长短期推荐模型
• 知识图偏好注意力网络
• 增量更新
• 预测采样
• 知识蒸馏

知识图谱推荐目前的研究主要集中在模型建立和训练上。然而实际应用中，需要使用增量更新方法定期更新模型来适应新用户和老用户偏好的改变。针对大部分该类模型仅利用用户的长期兴趣表示做推荐，没有考虑用户的短期兴趣且聚合邻域实体得到项目向量表示时，聚合方式可解释性不足以及更新模型的过程中，存在灾难性遗忘的问题，提出基于知识图偏好注意力网络的长短期推荐模型及其更新方法。首先，基于知识图偏好注意力网络的长短期推荐模型（KGPATLS）提出偏好注意力网络的聚合方式以及结合用户长期兴趣和短期兴趣的用户表示方法。然后，为了减轻更新模型存在的灾难性遗忘问题，提出融合预测采样和知识蒸馏的增量更新方法（FPSKD）。最后，将提出的模型和增量更新方法在MovieLens-1M和Last.FM两个数据集上进行实验。相较于最优基线模型，KGPATLS的曲线下面积（AUC）指标在两个数据集上分别有2.1%,1.3%的提升，准确率（ACC）指标分别有2.4%,2.8%的提升。对比基线增量更新方法，FPSKD在AUC和ACC指标上优于Fune Tune、Random Sampling，在训练时间（Training Timei）指标上分别降低到Full Batch的大约八分之一，四分之一。实验验证了KGPATLS性能的有效性，FPSKD在保持模型性能的同时可以高效的更新模型。

• 单位
  天津商业大学; 河北工业大学