联合学习用户端和项目端知识图谱的个性化推荐

• Published in: 计算机科学 Vol. 48; no. 5; pp. 109 - 116
• Main Authors: 梁浩宏, 古天龙, 宾辰忠, 常亮
• Format: Journal Article
• Language: Chinese
• Published: 桂林电子科技大学广西可信软件重点实验室 广西 桂林 541004%桂林电子科技大学广西可信软件重点实验室 广西 桂林 541004 2021; 桂林电子科技大学计算机与信息安全学院 广西 桂林 541004
• Subjects: 联合学习; 个性化推荐; 知识图谱; 图卷积神经网络
• ISSN: 1002-137X
• DOI: 10.11896/jsjkx.200600115

TP331; 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％.