融合多时间尺度和特征加强的知识图谱推荐模型

针对现有的知识图谱推荐模型没有考虑到用户的周期特征以及待推荐项目会对用户近期兴趣产生影响的问题,提出一种融合多时间尺度和特征加强的知识图谱推荐模型（MTFE）。首先,采用长短期记忆（LSTM）网络在不同时间尺度上挖掘用户的周期特征并融入到用户表示中;然后,通过注意力机制挖掘待推荐项目中与用户近期特征相关性较强的特征,将其加强后融入项目表示中;最后,通过评分函数计算用户对待推荐项目的评分。在真实数据集Last.FM、MovieLens-1M和MovieLens-20M上把所提模型和个性化实体推荐（PER）、协同知识嵌入（CKE）、LibFM、RippleNet、知识图卷积网络（KGCN）、协同知识感知注意网络（CKAN）等知识图谱推荐模型进行对比。实验结果表明,在三个数据集上MTFE相较于表现最优的对比模型的F1性能分别提升了0.78、1.63和1.92个百分点,AUC指标在三个数据集上分别提升了3.94、2.73和1.15个百分点。可见,所提模型相较于对比图谱推荐模型有更好的推荐效果。     

融合知识图谱和轻量级图卷积网络推荐系统的研究

基于协同过滤的算法是推荐系统中最重要的方法,由于冷启动和数据稀疏性的特点,限制了其推荐性能。为了应对以上问题,提出了知识图谱和轻量级图卷积网络推荐系统相结合的模型,该模型通过将知识图谱中的各个实体（项目）进行多次迭代嵌入传播以获取更多的高阶邻域信息,通过轻量聚合器进行聚合,进而预测用户和项目之间的评分。最后,在3个真实的数据集上MovieLens-20M、Last.FM和Book-Crossing的实验结果表明,该模型与其他基准模型相比可以得到较好的性能。     

基于知识图谱与深度涟漪网络的推荐系统

利用知识图谱和深度学习进行推荐的方法得到了广泛的研究和应用，但是大多数推荐模型对物品表示建模不够完整，也未能全面捕捉和充分利用用户及物品的高阶交互信息。针对用户特征和物品特征高阶表示的提取问题，对用户与物品间的交互信息和知识图谱的关联信息进行联合提取，提出一种知识图谱交叉涟漪网络(KGCRN)。利用涟漪网络传播对用户偏好和物品特征进行建模，同时丰富两者的表示，提升推荐的性能。此外，设计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，提高模型推荐精度并增强模型应对数据稀疏场景的能力。在MovieLens-20M、Book-Crossing和Last.FM数据集上的实验结果表明，与KGCN、libFM、CKE等基线方法相比，KGCRN在点击通过率预测、Top-K推荐和应对数据稀疏场景下的性能均得到显著提升，其中，相比KGCN，点击通过率预测实验中KGCRN的AUC增益分别提高0.4、5.1、2.4个百分点，F1值分别提升3.29、2.86、0.96个百分点。     

基于多视图的知识感知推荐系统

现在基于知识图谱的推荐方法中,大多采用单一用户或项目表示,存在用户兴趣干扰、信息不完全利用和数据稀疏的问题。本文提出一种基于多视图的知识感知推荐模型（Multi-view Knowledge-aware,MVKA）。首先,该模型在用户-项目图融合注意力机制捕获用户的兴趣表示;引入项目-实体图,设计图注意力网络进行特征提取获取项目的嵌入表示;然后在2个视图之间构造图视角的对比学习方法,最后进行求和和串联操作得到用户和项目的最终表示,并通过内积预测用户对项目的匹配分数。为了验证本文模型的准确性和计算效率,在MovieLens-1M、Book-crossing和Last FM公开数据集上进行了大量的实验,并且与其他传统方法和图神经网络模型相比,AUC和F1值评价指标均有明显提升,说明MVKA模型可显著利用各种信息关系数据来改善知识感知推荐任务。     

融合注意力LSTM的协同过滤推荐算法

针对传统协同过滤算法难以学习深层次用户和项目的隐表示,以及对文本信息不能充分提取单词之间的前后语义关系的问题,该文提出一种融合辅助信息与注意力长短期记忆网络的协同过滤推荐模型。首先,附加堆叠降噪自编码器利用评分信息和用户辅助信息提取用户潜在向量;其次,基于注意力机制的长短期记忆网络利用项目辅助信息来提取项目的潜在向量;最后,将用户与项目的潜在向量用于概率矩阵分解中,从而预测用户偏好。在两个真实数据集MovieLens-100k和MovieLens-1M上进行实验,采用RMSE和Recall指标进行评估。实验结果表明,该模型与其他相关推荐算法相比在推荐性能上有所提升。     

基于网络表示学习与深度学习的推荐算法研究

针对传统基于协同过滤的推荐算法信息提取能力有限的问题,提出基于网络表示学习的卷积协同过滤推荐算法。将二分网络分成物品与用户同质网络,在各自的同质网络上使用GraphSAGE模型得到融合网络空间信息和用户与物品属性信息的矩阵。在此基础上,利用外积运算丰富用户和物品特征向量各维度的相关表示,通过卷积神经网络训练物品和用户的交互信息得到算法模型。实验结果验证了该算法的有效性,且相比ConvNCF算法,其在Movielens数据集上HR@5和NDCG@5分别提升了1.89和2.19个百分点,在Last.fm数据集上HR@5和NDCG@5分别提升了1.09和2.32个百分点。     

动态融合社交信息的社会化推荐

针对推荐算法中的数据稀疏问题,通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移,导致模型无法描述用户兴趣的动态变化特征,也忽略了社交影响的动态特性,导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先,利用自注意力机制构建用户交互物品的序列模型,以实现对用户兴趣的动态描述;然后,设计具有时间遗忘的注意力机制对社交短期兴趣进行建模,并设计具有协同特性的注意力机制对社交长期兴趣进行建模;最后,融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示,SLSRec模型与DiffNet模型相比,在稀疏数据集上的HR指标提升了8.5%;与SASRec模型相比,在稠密数据集上的NDCG指标提升了2.1%,表明考虑社交信息的动态特性使推荐结果更加准确。     

融合信任度的神经网络推荐算法

传统神经网络协同过滤算法存在建模复杂、训练效率不高、数据稀疏的问题,导致推荐精度较低。通过度量用户间的信任关系的强弱来丰富现有的稀疏数据集,添加社交信任这一特征属性提高推荐算法的相关性能,针对项目上下文信息的神经网络协同过滤算法(IFE-NCF)提出一种融合信任度与注意力机制的神经网络推荐算法T-NAMF。该算法将用户-用户之间的信任度值加入到特征向量中并且在神经网络模型中加入注意力机制,增大关键隐式反馈信息的权重,用来缓解社交网络中大量数据信息缺失的问题。在MovieLens-1m和Pinterest-20两个数据集上的实验测试表明,T-NAMF算法与部分基于NCF的经典算法相比,在推荐效果上有明显提升。     

基于自适应图卷积注意力神经协同推荐算法

随着互联网的快速发展,推荐系统可以用来处理信息过载的问题。由于传统推荐系统的诸多问题导致其无法处理发掘隐藏信息,提出一种自适应图卷积注意力神经协同推荐算法（ANGCACF）。首先获取用户和项目交互图,通过图卷积神经网络自适应的聚合用户和项目特征信息;其次对用户和项目特征信息添加自适应扩充数据,以解决数据稀疏性,利用注意力机制对用户和项目特征信息及添加的自适应扩充数据重新分配权重;最后将得到的用户和项目特征表示使用基于矩阵分解的协同过滤的算法框架得出最终推荐结果。在MovieLens-1M、MovieLens-100K和 Amazon-baby三个公开数据集上的实验表明,该算法在推荐准确率、召回率、MRR、命中率和 NDCG 五个指标上均优于基线方法。     

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。     

基于无采样协作知识图网络的推荐系统

知识图谱（KG）可以通过高效组织海量数据实现信息的有效抽取,因而基于知识图谱的推荐方法得到了广泛的研究和应用。针对图神经网络在知识图谱建模中的采样误差问题,提出了一种无采样协作知识图网络（NCKN）的方法。首先,设计了无采样知识传播模块,通过在单个卷积层使用不同大小的线性聚合器来捕捉深层次的信息,实现高效的无采样预计算;然后,为了区分邻居节点贡献度,在传播过程中引入注意力机制;最后,协作传播模块将知识嵌入同用户交互中的协作信号相结合,以更好地描述用户偏好。基于三个真实数据集,评估了NCKN在CTR预测和Top-k预测中的性能。实验结果表明,与主流算法RippleNet、知识图卷积神经网络（KGCN）相比,NCKN在CTR预测中的准确率平均分别提升了2.71%、4.60%;Top-k预测中,NCKN的准确率平均分别提升了5.26%、3.91%。所提方法不仅解决了图神经网络在知识图谱建模中的采样误差问题,且提升了推荐模型的准确率。     

联合学习用户端和项目端知识图谱的个性化推荐

如何在已有的用户行为和辅助信息的基础上准确建模用户的偏好非常重要。在各种辅助信息中,知识图谱(Know-ledge Graph,KG)作为一种新型辅助信息,其节点和边包含了丰富的结构信息和语义信息,近年来受到了越来越多研究者的关注。大量研究表明,在个性化推荐中引入知识图谱可以有效地提高推荐的性能,并增强推荐的合理性和可解释性。然而,现有的方法要么是在KG上探索每个用户-项目交互对(user-item)的独立子路径,要么使用图表示学习的方法在KG中分别学习目标用户(user)或项目(item)的表示,虽然都取得了一定的效果,但是前者没有充分捕获用户-项目(user-item)在KG上的结构信息,后者在产生嵌入(embedding)表示的过程中忽略了user和item的相互影响。为了弥补上述方法的不足,提出了一种联合学习用户端和项目端知识图谱(User-end and Item-end Knowledge Graph,UIKG)的新模型。该模型通过挖掘用户和项目在各自KG中的关联属性信息,并通过联合学习有效地捕获用户的个性化偏好与项目之间的关联性。具体的操作步骤是,利用基于图卷积神经网络的方法从用户知识图谱中学习用户表示向量,再将用户表示向量引入项目知识图谱中联合学习得到项目表示向量,实现用户端KG和项目端KG的无缝统一,最后通过多层感知器进行偏好预测,得到用户对项目的偏好概率,从而更有效地挖掘KG中的高阶结构信息和语义信息来捕获用户的个性化偏好。在公开数据集上的实验结果表明,与基线方法相比,UIKG在Recall@K指标上提高了2.5%~13.6%,在AUC和F1指标上提高了0.4%~5.8%。     

基于标签权重的协同过滤推荐算法

针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题,提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先,通过改进当前算法中标签权重的计算,并构成用户-标签权重矩阵和物品-标签权重矩阵;其次,考虑到推荐系统是以用户为中心进行推荐,继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求;最后,根据用户-物品的二部图,利用物质扩散算法计算基于标签权重的用户间相似度,并为目标用户生成推荐列表。实验结果表明,与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法（UITGCF）相比,在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时,三个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。     

基于融合元路径的图神经网络协同过滤算法

传统的协同过滤算法没有充分考虑用户和商品的交互信息,且面临数据稀疏、冷启动等问题,造成了推荐系统的结果不准确.在本文中提出了一种新的推荐算法,即基于融合元路径的图神经网络协同过滤算法.该算法首先由二部图嵌入用户和商品的历史互动,并通过多层神经网络传播获取用户和商品的高阶特征;然后基于元路径的随机游走来获取异质信息网络中的潜在语义信息;最后将用户和商品的高阶特征和潜在特征融合并做评分预测.实验结果表明,基于融合元路径的图神经网络协同过滤算法比传统的推荐算法有明显提升.     

双通道图协同过滤推荐算法

协同过滤是一种应用广泛的推荐算法,其核心过程是学习用户和商品的向量表示。基于图卷积网络（GCN）的协同过滤算法在向量嵌入过程中加入邻居节点的关联信息,进一步提升了算法的推荐性能。然而,图协同过滤算法中存在过平滑现象,且其仅采用邻接矩阵在局部结构中扩展,没有从图的整体结构出发挖掘节点间潜在的交互模式,使得交互信息来源单一。提出一种基于GCN的双通道协同过滤推荐算法DCCF。将向量嵌入过程划分为局部卷积通道和全局卷积通道,以获取不同类型的连接信息。在局部卷积通道中,直接定位邻域节点并使用单层网络结构完成计算,优化信息的聚合方式以应对过平滑问题。在全局卷积通道中,通过聚类的方式构造全局交互图并参与信息的聚合过程,从而挖掘节点间的潜在联系。将局部信息与全局信息相结合,以获得包含不同类型高阶关系的节点向量表示。在3个公开数据集上进行对比实验,结果表明,相较基准算法中性能表现最优的模型,DCCF在归一化折损累计增益和召回率这2个指标上最高分别提升2.8%和5.0%。     

基于组合类别空间的随机游走推荐算法

传统的类别驱动方法只考虑类别间的关联或是将其组织成扁平或层次结构，而项目和类别对应关系复杂，其他信息容易被忽略。针对这个问题提出基于组合类别空间的随机游走推荐算法，更好地组织了项目类别信息、缓解了数据稀疏。首先，建立一个用哈斯图表示的项目组合类别空间，将项目和类别复杂的一对多关系映射成一对一的简单关系，并表示用户上下层次、同层次及跨层次的项目类别间的跳转；接着，定义组合类别空间的语义关系及链接、偏好两种语义距离，更好地定性、定量描述用户动态偏好的变化；然后，结合组合类别空间上用户浏览图的语义关系、语义距离、用户行为跳转、跳转次数、时序、评分等各种信息，利用随机游走建立用户个性化类别偏好模型；最后，根据用户个性化偏好完成基于用户的协同过滤项目推荐。在MovieLens数据集上的实验显示，与基于用户的协同过滤（UCF）、基于类别关联的推荐模型（UBGC和GENC）相比，所提算法推荐的F1-score提高了6~9个百分点，平均绝对误差（MAE）减小了20%~30%；与基于类别层次潜在因子模型（CHLF）相比，所提算法推荐的F1-score提高了10%。实验结果表明，所提算法在排序推荐上优于传统基于类别的推荐算法。     

基于项目分层的个性化推荐方法

协同过滤目前较为成功地应用于个性化推荐系统中.但随着系统规模的扩大和待推荐项目的不断增加,协同过滤面临着稀疏性问题和新项目推荐问题,制约了推荐效果.在此分析了传统协同过滤推荐方法中存在的问题,提出一种基于项目分层的个性化推荐方法.采用了基于多层兴趣表示的用户相似性算法,并结合相似用户推荐项与项目相似性来推荐新项目.该推荐方法在稀疏数据集上能表现出较好的推荐质量,同时也能够有效地解决新项目推荐问题.     

基于时尚图谱增强的个性化互补服装推荐

近年来,人们对时尚穿搭有了更高的美学追求。因此,个性化互补服装推荐,即为用户推荐与他/她已购买服装相匹配的互补服装,逐渐吸引了学术界的广泛关注。个性化互补服装推荐不同于一般的推荐任务（如电影推荐）,它推荐的服装需要满足两个条件：1）与目标服装搭配;2）满足用户偏好。因此,相关的现有方法主要是基于时尚单品的多模态数据,着力于建模单品与单品之间的兼容性交互和用户与单品之间的偏好交互,以实现个性化互补服装的推荐。这些方法的缺点主要在于它们将每一个单品-单品交互或者用户-单品交互看作一个独立的数据实例,而忽略了单品的属性知识以及时尚实体（即,用户、单品及属性）之间的高阶交互关系。事实上,与一个单品（如,上衣）搭配的所有互补单品（如,下衣）可能会共享某些相同的属性（如,颜色）;同时,具有类似品味的用户也可能倾向于选择具有类似属性特征的单品。显然,这些时尚实体之间的高阶关系蕴含了丰富的有关单品兼容性和用户偏好的协同信号,因而能够促进个性化互补服装推荐模型性能的提升。据此,本文构建了一个大规模协同时尚图谱,并基于图卷积神经网络（Graph Neural Networks,GNNs）来探索时尚实体之间的高阶关系,进而更好地实现个性化的互补服装推荐。具体地,本文提出了一个新颖的基于时尚图谱增强的个性化互补服装推荐模型（Fashion Graph-enhanced Personalized Complementary Clothing Recommendation）,简称为FG-PCCR。FG-PCCR由两个关键的部分组成：独立的一阶交互建模和协同的高阶交互建模。一方面,独立的一阶交互建模模块基于视觉和文本模态数据,致力于通过神经网络和矩阵分解方法分别对单品-单品搭配交互和用户-单品偏好交互进行综合性建模。另一方面,协同的高阶交互模块基于构建的协同的时尚图谱,通过图神经网络利用信息传播机制来提取高阶的协同信号,进一步丰富用户和单品的向量表示。FG-PCCR模型能够有效整合时尚实体之间的复杂的高阶关系信息,用户和单品的表示学习,进而改进个性化互补推荐的效果。最后,对于给定的用户和目标上衣,我们能够得到推荐的下衣的个性化兼容性分数。另外,在真实的时尚数据集上做的大量实验,充分地验证了本文所提模型FG-PCCR相对于基准方法的优越性。     

Graph convolution machine for context-aware recommender system

The latest advance in recommendation shows that better user and item representations can be learned via performing graph convolutions on the user-item interaction graph. However, such finding is mostly restricted to the collaborative filtering (CF) scenario, where the interaction contexts are not available. In this work, we extend the advantages of graph convolutions to context-aware recommender system (CARS, which represents a generic type of models that can handle various side information). We propose Graph Convolution Machine (GCM), an end-to-end framework that consists of three components: an encoder, graph convolution (GC) layers, and a decoder. The encoder projects users, items, and contexts into embedding vectors, which are passed to the GC layers that refine user and item embeddings with context-aware graph convolutions on the user-item graph. The decoder digests the refined embeddings to output the prediction score by considering the interactions among user, item, and context embeddings. We conduct experiments on three real-world datasets from Yelp and Amazon, validating the effectiveness of GCM and the benefits of performing graph convolutions for CARS.