基于异质信息网络的推荐模型

为了解决推荐系统的冷启动和稀疏性问题,本文提出了一种基于异质信息网络的推荐模型.传统的推荐方法无法在知识图谱表示学习中融入隐含的路径信息,这样使得知识推荐系统性能较为一般.本文提出的模型在异质信息网络中设置元路径,通过图神经网络融入到知识图谱表示学习中.再利用注意力网络连接推荐任务和知识图谱表示任务,其可以学习两个任务之中潜在的特征,并且能够增强推荐系统中被推荐项和知识图谱中实体的相互作用.最后在推荐任务中进行用户点击率预测.模型在公开数据集Book-Crossing和通过DBLP数据集构建的图谱上进行了实验.最后结果表明,模型在AUC,召回率和F1值3个指标上均比其他算法有更好的表现.