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。

基于双策略图卷积网络的方面级情感分析

针对依赖解析结果不准确和在线评论复杂性导致的方面词情感分类效果差的问题。提出一种基于双策略图卷积网络(Dual-Strategy Graph Convolutional Network)模型的方法。首先利用依赖解析器中反映所有依赖关系的概率矩阵构造一个具有丰富句法知识的SynGCN模块,其次利用自注意力机制获得邻接矩阵形式的注意力得分矩阵作为WcoGCN模块的邻接矩阵,并利用正则化器约束该模块中的注意力分数来精准捕获词之间的相关性。实验结果表明:该模型准确率、F1值均优于其他的模型,能够提升公共数据集的情感分类效果。