结合项目属性协作信号减少无关邻域的推荐

在推荐系统中,知识图谱(knowledge graph,KG)作为辅助信息,提高了算法的性能以及可解释性。但在聚合多跳邻居时,它通常把所有的实体信息加以聚合并传播。KG中不是所有的信息都有助于改善推荐结果,当聚合邻域信息不加以区分时,实体的嵌入就会受到不相关实体的干扰。针对上述问题,提出一个项目属性协作信号和筛选高相关的邻域策略的模型(RUNCS),用以提高推荐的效果。具体来说,把点击过相同项目的用户称为相似邻居,通过相似邻居点击的项目和KG中的项目属性相结合,从而得到项目属性协作集;通过计算项目属性的相似性,得到相关性分数,用以筛选高相关的邻居;利用注意力机制对其分配权重进行信息聚合。在音乐和电影两个基准数据集中的实验结果表明,与现有最优主流方法相比,该模型在CTR预测上AUC提升0.6~2.7个百分点。

面向多视图融合的用户一致性社交推荐

针对传统社交推荐准确率不高的问题,提出一种基于多视图融合的用户一致性社交推荐模型。该社交推荐模型考虑到社交网络中用户的不一致性和单一视图信息对推荐结果的影响,使用注意力机制动态过滤出不一致的社交邻居,并结合用户-项目交互信息来学习用户特征表达;同时从知识图谱(knowledge graph,KG)、用户-项目历史交互信息等多个视图学习项目在低维空间的特征表示;最后将用户和项目的特征表示进行内积操作,从而完成最终的推荐任务。为了验证推荐算法的有效性,在Douban和Yelp两个公开的数据集上与六个基线模型进行对比实验,并采用召回率、归一化折损累计增益(normalized discounted cumulative gain,NDCG)和精确率作为评估指标,实验结果表明,所提出的社交推荐模型的性能优于其他模型。