基于图神经网络的挖掘潜在偏好图推荐算法

知识图谱在推荐系统中扮演着越来越重要的角色,最新技术趋势是开发基于图神经网络的端到端推荐模型。然而,现有基于GNN的模型通常未能充分挖掘知识图谱中的信息,仅简单地将用户通过项目与知识图谱中的实体相连,未明确建模用户与实体之间的关系。为此,提出一种基于图神经网络的挖掘潜在偏好图的推荐算法UEKR,从协同知识图谱中动态提取用户感兴趣的实体,并建模用户与实体之间的关系,构建用户—实体关系图,以丰富用户表示,增强推荐性能。在3个基准数据集上的实验结果表明,UEKR相较对照模型在AUC指标方面提升了0.75%~3.65%,在F1指标方面提升了0.70%~1.75%。

基于用户反馈和对话历史的对话式推荐技术研究

针对对话式推荐系统中忽视用户负反馈和对话历史信息的问题,创新地提出了一个对话式推荐模型。首先,该模型通过构建负反馈图捕获和编码用户拒绝的属性和项目信息,结合动态奖励函数,使系统能更精准地理解用户的实时偏好。其次,将序列模型融入智能体实现了对每步对话状态的编码,从而能基于全局对话状态做出更准确的推荐决策。为验证模型的有效性,在LastFM和LastFM*数据集上开展实验,相较于最优的基线模型,本文方法的推荐成功率分别提升了21%和13.7%,平均推荐轮次数也分别降低了1.56轮和2.35轮。实验结果表明,用户负反馈和对话历史的深度整合,为对话式推荐系统带来更高的准确性。