一种融合协同因子的知识图谱传播推荐模型
TP391; 针对传统推荐模型存在的稀疏性和冷启动问题,引入知识图谱作为辅助信息,可缓解以上问题并具有可解释性.然而相比用户偏好传播,知识图谱更倾向知识传播且难以捕捉高阶关系.为此,文中将协同因子模块融合到知识图谱传播推荐算法中,以捕捉高阶关系和发现隐式模式.此外,设计了一个由共现矩阵密度参数构成的密度门,使得协同因子模块能够通过感知共现矩阵的稀疏性来控制输出.最后分别在电影、图书和音乐这3个公开数据集上进行对比实验,实验结果表明该模型在点击率预测场景中表现较好,在知识图谱实体关系难以解释用户兴趣偏好的数据集上指标提升明显....
Saved in:
Published in | 西安工程大学学报 Vol. 36; no. 2; pp. 79 - 109 |
---|---|
Main Authors | , , , |
Format | Journal Article |
Language | Chinese |
Published |
西安工程大学计算机科学学院,陕西西安710048
2022
|
Subjects | |
Online Access | Get full text |
Cover
Loading…
Summary: | TP391; 针对传统推荐模型存在的稀疏性和冷启动问题,引入知识图谱作为辅助信息,可缓解以上问题并具有可解释性.然而相比用户偏好传播,知识图谱更倾向知识传播且难以捕捉高阶关系.为此,文中将协同因子模块融合到知识图谱传播推荐算法中,以捕捉高阶关系和发现隐式模式.此外,设计了一个由共现矩阵密度参数构成的密度门,使得协同因子模块能够通过感知共现矩阵的稀疏性来控制输出.最后分别在电影、图书和音乐这3个公开数据集上进行对比实验,实验结果表明该模型在点击率预测场景中表现较好,在知识图谱实体关系难以解释用户兴趣偏好的数据集上指标提升明显. |
---|---|
ISSN: | 1674-649X |
DOI: | 10.13338/j.issn.1674-649x.2022.02.011 |