基于知识图嵌入的协同过滤推荐算法

TP181; 利用知识图谱进行推荐的一个巨大挑战在于如何获取项目的结构化知识并对其进行语义特征提取.针对这一问题,提出了一种基于知识图嵌入的协同过滤推荐算法(KGECF).首先从Freebase知识图谱中提取与项目相关的知识信息,并与历史交互项目进行链接构建子知识库;然后通过基于TransR的Xavier-TransR方法得到子知识库中实体、关系表征;设计一种端到端的联合学习模型,将结构化信息与历史偏好信息嵌入到统一的向量空间中;最后利用协同过滤方法进一步计算这些向量并生成精确的推荐列表.在MovieLens-1 M和Amazon-book两个公开数据集上的实验表明,该算法在推荐准确率、召回率...

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 38; no. 12; pp. 3590 - 3596
Main Authors 张屹晗, 王巍, 刘华真, 谷壬倩, 郝亚奇
Format Journal Article
LanguageChinese
Published 河北工程大学信息与电气工程学院,河北邯郸056038 2021
河北工程大学河北省安防信息感知与处理重点实验室,河北邯郸056038
江南大学 物联网工程学院,江苏 无锡214122
河北工程大学河北省安防信息感知与处理重点实验室,河北邯郸056038%河北工程大学信息与电气工程学院,河北邯郸056038
Subjects
推荐系统;协同过滤;知识图嵌入;联合学习
Online AccessGet full text

Cover

More Information
Summary:TP181; 利用知识图谱进行推荐的一个巨大挑战在于如何获取项目的结构化知识并对其进行语义特征提取.针对这一问题,提出了一种基于知识图嵌入的协同过滤推荐算法(KGECF).首先从Freebase知识图谱中提取与项目相关的知识信息,并与历史交互项目进行链接构建子知识库;然后通过基于TransR的Xavier-TransR方法得到子知识库中实体、关系表征;设计一种端到端的联合学习模型,将结构化信息与历史偏好信息嵌入到统一的向量空间中;最后利用协同过滤方法进一步计算这些向量并生成精确的推荐列表.在MovieLens-1 M和Amazon-book两个公开数据集上的实验表明,该算法在推荐准确率、召回率、F1值和NDCG四个指标上均优于基线方法,能够集成大规模的结构化和非结构化数据,同时获得高精度的推荐结果.
ISSN:1001-3695
DOI:10.19734/j.issn.1001-3695.2021.05.0181