融合知识图谱和用户行为信息的个性化推荐算法研究

摘要

针对传统协同过滤存在的稀疏性和冷启动问题,通常使用深度神经网络(DNN)构建融合知识图谱和推荐系统的推荐任务。但目前的方法未曾考虑特征间的低阶线性关系,虽可加入因子分解机(FM),但不同的特征对模型的贡献不同,FM可能会因所有特征交互设置相同的权重而受到阻碍;DNN解决知识图谱这种具有不规则、可扩展、多重结构特性的数据结构不具普适性。针对以上问题,提出MKAFG模型,推荐部分加入具有注意力机制的FM,通过注意力网络区分不同特征交互的重要性,使FM提取到对目标预测起到重要作用的一阶、二阶线性交互特征。知识嵌入部分使用图卷积神经网络(GCN),提高推荐系统推荐效果。实验结果表明,MKAFG在MovieLens-1M数据集上的推荐效果优于主流推荐模型。