融合双端注意力网络的知识图谱推荐算法

知识图谱在推荐算法中的应用有效增强了推荐结果的可解释性，但仍缺乏对用户-物品交互信息的关注。针对目前已有的知识图谱推荐算法忽略用户端与物品端的差异而无法有效地提取用户与物品信息的问题，提出了融合双端注意力网络的知识图谱推荐算法（double end knowledge graph attention network,DEKGAN）。首先根据用户端与物品端两者不同的需求设计两种注意力网络，在用户端是将用户的浏览记录输入到知识图谱中不断扩展用户的潜在兴趣，通过基于用户的注意力网络对三元组内部信息进行计算以更准确地获取用户的嵌入表示向量；在物品端是将物品信息输入到知识图谱内中不断获取与用户喜好有关的物品信息，使用基于用户偏好的注意力网络指定更准确的传播方向，然后将两端注意力网络中获取到的邻域信息聚合生成物品的嵌入表示向量，最终获取用户对物品的喜好概率。通过在数据集MovieLens-1M和Book-Crossing中进行实验，采用AUC、F1、precision和recall指标进行评估，结果证明与其他基准算法相比推荐的准确性和可解释性有显著的提升。     

融合知识图谱与注意力机制的推荐算法

为了解决信息过载问题,提出了一种融合知识图谱与注意力机制的推荐模型。在该模型中,将知识图谱作为辅助信息进行嵌入,可以缓解传统推荐算法数据稀疏和冷启动问题,并且给推荐结果带来可解释性。为了提升推荐准确率以及捕捉用户兴趣的动态变化,再结合深度学习中的神经网络以及注意力机制生成用户自适应表示,加上动态因子来更好地捕捉用户动态兴趣变化,使用多层感知机对项目进行评分预测。在MovieLens-latest-small电影数据集和豆瓣数据集进行仿真验证,结果表明该模型进行TOP-K列表电影推荐相比于其他算法拥有更好的推荐性能。     

基于异质信息网络的推荐模型

为了解决推荐系统的冷启动和稀疏性问题, 本文提出了一种基于异质信息网络的推荐模型. 传统的推荐方法无法在知识图谱表示学习中融入隐含的路径信息, 这样使得知识推荐系统性能较为一般. 本文提出的模型在异质信息网络中设置元路径, 通过图神经网络融入到知识图谱表示学习中. 再利用注意力网络连接推荐任务和知识图谱表示任务, 其可以学习两个任务之中潜在的特征, 并且能够增强推荐系统中被推荐项和知识图谱中实体的相互作用. 最后在推荐任务中进行用户点击率预测. 模型在公开数据集Book-Crossing和通过DBLP数据集构建的图谱上进行了实验. 最后结果表明, 模型在AUC, 召回率和F1值3个指标上均比其他算法有更好的表现.     

MIKU：融合知识图谱的用户多层兴趣模型

现有的推荐算法仅依靠历史行为无法挖掘到用户的深层兴趣,且受到用户冷启动问题的制约,针对上述问题提出融合知识图谱的用户多层兴趣模型（MIKU）．该模型首先以用户的历史交互项目为知识图谱的头实体构建用户浅层兴趣,结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣;其次考虑到用户兴趣的多样性,针对不同层次的兴趣分别采用自适应加权机制,学习用户对每个历史行为以及各个深层兴趣点的关注度．该模型在细粒度刻画物品特征的同时,利用知识图谱的结构信息为用户的推荐结果提供了一定的可解释性,并且结合了用户的属性特征有效解决了冷启动问题．通过在公开的MovieLens-1M数据集上进行验证,结果表明MIKU模型同CKE、RippleNet等基准模型相比,在推荐结果的准确率上提高了1.93%～5.59%、召回率上提升了2.95%～4.7%.     

基于知识图谱的推荐算法研究综述

推荐算法广泛应用于互联网场景中,为用户推荐个性化的信息,解决信息过载问题,以提升用户体验。引入知识图谱的推荐算法利用丰富的辅助信息能有效解决数据稀疏和冷启动等问题,有助于推荐准确性、多样性和可解释性,引起了人们的研究兴趣。总结现有推荐方法,划分为基于嵌入、基于路径和基于传播三个类型,介绍分析现有方法如何挖掘知识图谱中的实体和关系的信息,以及如何利用知识图谱进行可解释的推荐,并对比了三种类型方法的优缺点;介绍了不同应用场景下的常用数据集;对具有挑战性的未来研究方向进行了展望。     

结合注意力机制的知识感知推荐算法

知识图谱在推荐系统中的应用越来越受重视,可以有效地解决推荐系统中存在的数据稀疏性和冷启动问题。但现有的基于路径和基于嵌入的知识感知推荐算法在合并知识图谱中的实体来表示用户时,并没有考虑到实体对于用户的重要性并不相同,推荐结果会受到无关实体的影响。针对现有方法的局限性,提出了一种新的结合注意力机制的知识感知推荐算法,并给出一种将知识图谱合并到推荐系统中的端到端框架。由用户的历史点击项在知识图谱上扩展出多个实体集,通过注意力机制来计算用户的偏好分布,据此预测最终的点击概率。通过在两个真实的公共数据集上与传统的推荐算法进行对比实验,结果表明,该方法在多个通用指标（例如AUC、ACC和Recall@top-K）的评估下均取得了明显提升。     

融合增强协同信息和知识图谱信息的推荐模型

将知识图谱引入推荐系统,能一定程度解决数据稀疏和冷启动问题,但是往往忽略了高阶协同信息和不同协同信息的重要程度对探索用户潜在偏好的重要性,由此提出了一种融合增强协同信息和知识图谱信息的推荐模型（CIKG）。该模型首先利用用户和项目的历史交互数据,获取一阶协同信息和高阶协同信息,同时使用注意力机制捕获重要信息,得到增强协同信息,用来补充用户和项目的特征表示。其次通过将用户交互的项目与知识图谱中的实体对应,在知识图谱中执行传播操作,得到知识图谱信息,用于挖掘用户的偏好并且增强模型的可解释性。最后通过聚合器将增强协同信息和知识图谱信息结合得到用户和项目的最终表示,从而进行预测。在Last-fm和Book-crossing两个数据集上进行的实验结果表明CIKG相比其他对比的模型推荐效果有较大提升。     

基于异构信息网络的混合推荐模型

个性化推荐平台具有数据来源广泛且数据类型丰富的特点,而其中的数据稀疏是影响推荐系统性能的重要原因。如何挖掘推荐平台结构化数据和非结构化数据以发现更多特征,在数据稀疏场景中提高推荐的准确率,缓解冷启动问题,并且使得推荐具有可解释性,是推荐系统面临的重大挑战。因此,针对为User推荐Item的个性化场景,利用异构信息网络（HIN）构建推荐平台中对象间的关联关系,以元路径（Meta-Graph）描述对象间的关联路径并计算不同路径下的User-Item相似度矩阵;用FunkSVD矩阵分解算法分解User以及Item的隐式特征,并针对以文本为例的非结构化数据以卷积神经网络（CNN）技术挖掘这些数据的文本特征;将两种方式获取的特征进行拼接后,使用融入User和Item历史平均分的因子分解机（FM）来预测User对Item的评分。实验过程基于公开数据集Yelp建立提出的混合推荐模型、基于Meta-Graph的单一推荐模型、因子分解机推荐（FMR）模型以及基于FunkSVD推荐模型并对它们进行训练。实验结果表明,所提出的混合推荐模型具有较好的有效性和可解释性,相较于几个对比模型,该模型的推荐精度均有较大的提升。     

基于知识图谱的人岗推荐系统构建

为解决传统人岗推荐系统存在的三个常见问题,即数据稀疏性、数据冷启动和数据利用率低,提出了基于知识图谱的人岗推荐系统构建方法。该方法通过改进传统推荐模型,将知识图谱作为辅助边信息融合到推荐系统中进行人岗推荐,有效解决了数据稀疏性和数据冷启动问题;引入知识图谱补全算法提高了数据利用率。提出的方法在人岗推荐上准确率可达92%,比现有人岗推荐方法准确率提高约1%。实验结果表明该方法是可行的,知识图谱的加入可以提升人岗推荐系统的推荐效果。     

融合相似用户影响效应的知识图谱推荐模型

知识图谱(KG)具有丰富的结构化信息，能有效缓解推荐模型的稀疏性和冷启动问题，提升推荐系统的准确性与可解释性。近年来，融合知识图谱的端到端推荐模型成为技术趋势。提出了一种融合相似用户影响效应的知识图谱推荐模型，该模型在有效利用知识图谱的前提下，扩充了用户与项目之间的交互方式。首先，利用图神经网络邻域聚合策略与注意力机制，分别捕获用户与项目在知识图谱上的2种高阶表示；其次，根据相似用户的影响效应，设计影响力增强层，捕获相似用户影响效应的潜在表示；最后，将上述3种表示共同反馈到多层感知机中，输出预测分值。在真实数据集上的实验结果验证了所提模型的有效性和效率。     

基于信任计算和矩阵分解的推荐算法

基于矩阵分解的推荐算法普遍存在数据稀疏性、冷启动和抗攻击能力差等问题.针对上述问题,文中提出信任加强的矩阵分解推荐算法.首先,借鉴社会心理学中的信任产生原理,提出基于用户信誉度的信任扩展方法,缓解信任数据的稀疏性问题.然后,基于社交同质化原理,利用信任用户对评分矩阵分解过程中的用户潜在因子向量进行扩展,解决评分数据的稀疏性和新用户的冷启动问题.同时,利用信任关系对目标优化函数进行规格化约束,提高评分预测的准确性.基于通用测试数据集Epinions的实验表明,文中方法在推荐性能方面具有明显改善,可以有效解决数据稀疏性问题和冷启动问题.     

融合用户特征优化聚类的协同过滤算法

针对推荐系统领域中应用最广泛的协同过滤推荐算法仍伴随着数据稀疏性、冷启动和扩展性问题,基于用户冷启动和扩展性问题,提出了基于改进聚类的PCEDS(pearson correlation coefficient and euclidean distance similarity)协同过滤推荐算法。首先针对用户属性特征,采用优化的K-means聚类算法对其聚类,然后结合基于信任度的用户属性特征相似度模型和用户偏好相似度模型,形成一种新颖的PCEDS相似度模型,对聚类结果建立预测模型。实验结果表明:提出的PCEDS算法比传统的协同过滤推荐算法在均方根误差(RMSE)上降低5%左右,并且推荐准确率(precision)和召回率(recall)均有明显提高,缓解了冷启动问题,同时聚类技术可以节省系统内存计算空间,从而提高了推荐效率。     

基于用户分类的隐含因子模型研究*

针对现有隐含因子模型存在的新用户和项目的冷启动问题,提出基于用户分类的隐含因子模型,将用户分类信息融入到隐含因子的矩阵分解当中,先在原评分矩阵和用户分类信息的基础上使用指示函数和数据归一化等方法构建一个分类评分矩阵,再将分类评分矩阵融入到隐含因子模型的评分预测中。通过与传统隐含因子模型等方法在多个不同隐含因子个数上的实验比较分析,实验结果表明,改进模型能够不仅能解决新用户和项目的冷启动问题,还能有效降低预测评分的均方根误差,并提高预测推荐的准确度。     

基于多特征融合的异质信息搜索推荐算法研究

提出基于多特征融合的异质信息搜索推荐算法。利用知识图谱技术提取异质信息特征,选取多视图机模型;利用协同注意力机制学习融合多特征异质信息的局部信息,通过softmax函数归一化处理融合得到信息的重要性向量;利用全部局部信息整合最终节点,获取分值函数;利用用户与商品间相应元路径交互获取多标签分类的全局信息推荐优化目标函数,结合分值函数与全局信息推荐优化目标函数实现异质信息的搜索推荐。算法测试结果表明,采用该算法可有效为用户推荐所需信息,推荐复杂度较低,搜索推荐异质信息的归一化折扣累计增益均高于0.35,具有较强的推荐性能,可应用于解决实际的信息过载问题。     

基于MLP改进型深度神经网络学习资源推荐算法

针对在线学习过程中出现的知识过载及传统推荐算法中存在的数据稀疏和冷启动问题,提出了一种基于多层感知机（MLP）的改进型深度神经网络学习资源推荐算法。该算法利用多层感知机对非线性数据处理的优势,将学习者特征和学习资源特征进行向量相乘的预测方式转换为输入多层感知机的方式,改进了DN-CBR神经网络推荐模型。为验证模型的有效性,以爱课程在线学习平台数据为样本构建数据集,通过对比实验表明,在该数据集上,改进后模型相较于DN-CBR模型在归一化折损累积增益和命中率指标上分别提升了1.2%和3%,有效地提高了模型的推荐性能。     

融合内容与矩阵分解的混合推荐算法

传统的基于内容的推荐算法往往具有较低的准确性,而协同过滤推荐算法中普遍存在数据稀缺性和项目冷启动问题。为解决上述问题,提出了一种融合内容与协同矩阵分解技术的混合推荐算法。该算法实现了在共同的低维空间中分解内容和协同矩阵,同时保留数据的局部结构。在参数优化方面利用一种基于乘法更新规则的迭代方法,以此提高学习能力。实验结果表明,该算法优于其他具有代表性的项目冷启动推荐算法,有效缓解了数据稀疏性,提高了推荐准确性。     

一种电影推荐模型：解决冷启动问题

推荐系统数据库的评分数据稀少,对电影推荐的质量有所限制。为解决这个问题,提出一种同时将用户和电影元数据纳入改进的隐语义模型的模型。构造用户元数据-分类矩阵与电影元数据-分类矩阵,将分类域与隐因子空间进行映射,以此获取新用户与新电影的隐因子,进行推荐。实验结果表明,这种模型在提高预测准确率的同时,有效地解决了冷启动问题。     

结合CFDP与时间因子的协同过滤推荐算法

在这个网络数据呈现爆炸式增长的时代,如何利用用户行为数据,对每位目标用户进行精准的项目推荐是一个极有价值的研究方向。协同过滤推荐算法作为最常见的推荐算法之一,如何对传统的协同过滤算法进行优化,便是该文的研究内容。针对传统协同过滤算法存在的数据稀疏、冷启动以及实时性问题。采用CFDP算法对项目集合进行聚类,并对采用Slope-One算法进行数据填充,有效地缓解了数据稀疏以及冷启动的问题。针对传统算法的实时性问题,引入了时间因子,对每一项预测评分都乘以时间权重,使得预测评分更加科学准确,解决了推荐系统的实时性问题。采用MovieLens 1M数据集分别对传统协同过滤算法以及改进协同过滤算法进行对比实验,得出新算法的平均绝对偏差MAE要小于传统的协同过滤推荐算法,表明改进算法有效地优化了传统算法。     

融合知识图谱表示学习的栈式自编码器推荐算法

针对目前协同过滤推荐算法中数据稀疏和语义信息欠缺问题,提出一种融合知识图谱表示学习的栈式自编码器推荐算法(SAEKG-CF)。将评分矩阵作为栈式自编码器的输入,训练得到项目的隐性特征向量,并据此计算特征相似性矩阵;利用知识图谱表示学习算法将项目中的实体映射到低维向量空间,并计算出低维向量空间中实体间的语义相似性矩阵;将特征相似性矩阵与语义相似性矩阵相融合,得到融合相似性矩阵,进而依据最优融合相似性矩阵产生top-k推荐列表。实验结果表明,该算法能有效地同时解决数据稀疏与语义信息欠缺问题,提高推荐的准确率。