基于知识图谱与邻域感知注意力机制的推荐算法研究

为解决传统推荐算法在面对数据稀疏的推荐任务时产生的冷启动问题,本研究将知识图谱引入推荐算法,结合一种新的邻域感知注意力机制代替传统图注意力机制来挖掘实体间的高阶连通信息,提出了基于知识图谱和邻域感知注意力机制的推荐模型KGNPAN。得益于知识图谱可使推荐具有精准、多样和可解释的特点,该模型能够很好地缓解数据稀疏与冷启动问题。首先利用基于自对抗负采样的图嵌入方法RotatE对原有物品和用户表征的语义信息进行扩充,将实体和关系向量映射成低维嵌入向量;其次,根据协同邻居的不同类型分别应用邻域感知注意力机制聚合邻居节点信息,丰富目标节点语义,并以卷积形式递归挖掘高阶连通信息;最后对用户与项目向量应用内积操作计算交互概率,得到推荐结果。在Amazon-book和Last-FM两个公共基准数据集上进行实验,结果表明,在与CKE,BPRMF,RippleNet,KGAT,KGCN和CAKN 6个基准模型的对比中,KGNPAN相较于基准模型中结果最优的CAKN模型,在召回率(Recall)上分别提升了1.30%和1.37%,在归一化折损累计增益上(NDCG)分别提升了1.26%和1.14%,充分验证了其有效性和可解释性。

基于知识图谱的兴趣捕捉推荐算法

知识图谱作为一种辅助信息,可以为推荐系统提供更多的上下文信息和语义关联信息,从而提高推荐的准确性和可解释性。通过将项目映射到知识图谱中,推荐系统可以将从知识图谱中学习到的外部知识注入到用户和项目的表示中,进而增强用户和项目的表示。但在学习用户偏好时,基于图神经网络的知识图谱推荐主要通过项目实体利用知识图谱中的属性信息和关系信息等知识信息。由于用户节点并不与知识图谱直接相连,这就导致不同的关系信息和属性信息在语义上和用户偏好方面是独立的,缺乏关联。这表明,基于知识图谱的推荐难以根据知识图谱中的信息来准确捕获用户的细粒度偏好。因此,针对用户细粒度兴趣难以捕捉的问题,提出了一种基于知识图谱的兴趣捕捉推荐算法。该算法利用知识图谱中的关系和属性信息来学习用户的兴趣,并增强用户和项目的嵌入表示。为了充分利用知识图谱中的关系信息,设计了关系兴趣模块以学习用户对不同关系的细粒度兴趣。该模块将每个兴趣表示为知识图谱中关系向量的组合,并利用图卷积神经网络在用户项目图和知识图谱中传递用户兴趣以学习用户和项目的嵌入表示。此外,还设计了属性兴趣模块以学习用户对不同属性的细粒度兴趣。该模块采用切分嵌入的方法为用户和项目匹配与之相似的属性,并使用与关系兴趣模块中相似的方法进行消息传播。最终,在两个基准数据集上进行实验,实验结果验证了该方法的有效性和可行性。

基于知识图谱与用户兴趣的推荐算法

为了解决协同过滤推荐算法中存在的冷启动以及数据稀疏性等问题,文中引入了具有丰富语义信息和路径信息的知识图谱。基于其结构特征,将图神经网络应用于知识图谱的推荐算法得到了研究者的青睐。推荐算法的核心在于获取物品特征和用户特征,然而,该方面研究的重点在于更好地表达物品特征,而忽略了用户特征的表示。文中在知识图谱图神经网络的基础上,提出了一种基于知识图谱与用户兴趣的推荐算法。该算法通过引入一个独立的用户兴趣捕获模块,来学习用户历史信息,引入了用户兴趣,使得推荐算法在用户和物品两个方面都得到了良好表征。实验结果表明,在MovieLens数据集上,基于知识图谱与用户兴趣的推荐算法实现了数据的充分利用,具有良好的效果,对推荐准确性起到了促进作用。

基于知识图谱卷积网络的学习资源推荐

针对现有知识图谱卷积网络(KGCN)推荐模型随机采样选择邻域容易导致推荐结果不稳定的缺点,构建基于结构洞和共同邻居的重要性排序采样模型(SHCN),结合KGCN处理高维异构数据的优势,提出基于结构洞和共同邻居的KGCN推荐模型(KGCN-SHCN)。首先使用SHCN模型对知识图谱中的实体邻域进行排序采样,其次根据图卷积网络将实体信息与邻域采样信息进行聚合得到学习资源的特征表示,最后将学习者的特征表示和学习资源的特征表示依据预测函数得到交互概率。在3个学习资源数据集上的实验结果表明,所提模型尤其是使用求和聚合(Sum)方式时,评价指标AUC和ACC总体优于KGCN、RippleNet等基于知识图谱的推荐模型,证明了所提KGCN-SHCN模型的有效性。

融合协同知识图谱和图卷积网络的推荐算法

推荐系统广泛应用于互联网,缓解信息过载问题。现有研究通常将知识图谱引入推荐算法中,但不能有效获取用户与项目的高阶建模以及存在数据稀疏性的问题。该文提出了一种融合协同知识图谱和图卷积网络的推荐算法(CKGCN)。首先,将用户-项目交互矩阵与项目知识图谱构建为协同知识图谱,利用知识感知注意力机制对邻居节点进行权重分配,递归地捕获用户和项目的特征向量,搜索用户对项目的潜在喜好,有效缓解数据稀疏性的问题。其次,采用基于图卷积网络的邻域聚合算法捕捉每层实体网络之间的高阶联系,将实体与邻域实体聚合,丰富实体语义表示。另外,通过交叉压缩单元协作处理项目特征向量与实体特征向量,探索二者的高阶特征交互,从而过滤实体的冗余信息、挖掘项目更深层次的联系。最后,对用户特征向量与项目特征向量进行计算得出用户对项目的预测概率。经过点击率预测及Top-k推荐实验证明,在书籍Book_Crossing和音乐Last.FM两个公开的数据集上,该算法与五种基线算法相比较,AUC,ACC,F1,Recall@k和Precision@k评价指标值均有提升,表明该模型具有良好的推荐性能。

基于知识图谱的多任务推荐算法

基于知识图谱的推荐算法可以丰富物品特征,挖掘用户兴趣,有效解决传统推荐算法存在的冷启动和数据稀疏性问题,然而现有基于知识图谱的推荐算法常忽略用户交互中协同信息对图谱训练的正向作用,在图谱缺失度较高的情况下难以挖掘物品的深层特征。为此,本文提出一种基于知识图谱的多任务推荐方法,联合训练推荐任务与图谱补全任务。该算法首先构建用户-物品连通图和物品知识图谱,利用图卷积神经网络分别扩充用户物品的交互表征与实体关系的结构表征,传播协同信息和图谱信息;同时,采用两层注意力结构分别建模同阶邻域的重要性差异和异阶邻域的信息衰减,自适应聚合信息;最后交叉共享物品与实体的高阶表征,学习来自对方任务的知识。该算法充分刻画物品和实体表征,在提高图谱完备性的基础上提高推荐效率。在三个公开数据集和一个自建数据集上与基准算法进行对比实验,结果表明本文算法在AUC、F1等指标上有明显提高。

基于知识图谱推荐的钢铁产线智能故障诊断

钢铁生产需要经过原料输送、冶炼、热轧、冷轧等多个环节,完成这些流程还需要电力、热风等多种原料与资源的支持.其工艺流程繁复,设备种类众多,设备-故障关系复杂,使得为其进行故障诊断难度也大大增加.为了实现精确高效的故障诊断,本文结合上述钢铁产线故障诊断的领域特点,在此基础上提出一种基于知识图谱推荐的钢铁产线故障诊断模型,采用类似水波传播的方式在知识图谱中获取待诊断设备的多阶表示并聚合得到其深度表征以进行故障诊断,并根据钢铁产线故障诊断的特性优化了其中水波集的构建过程以提升最终的诊断效果.同时引入成对关系向量知识表示学习模型(PairRE)进行联合训练以学习知识图谱中的复杂关系.最后通过某大型钢铁公司的热轧产线实际生产数据与多个代表模型进行对比试验和案例分析,验证了所提出方法的科学性和有效性.

融合图注意力和知识图卷积网络的双端邻居推荐算法

针对现有的基于知识图谱的推荐算法往往侧重于物品端邻居信息,而忽视用户端兴趣特征问题,提出一种融合图注意力和知识图卷积网络的双端邻居推荐算法。首先,在用户端,以用户的历史兴趣作为种子,在知识图中迭代传播偏好,融合图注意力形成用户潜在兴趣向量;其次,在物品端,结合图卷积网络在知识图遍历路径中聚合重要邻域信息,获得物品偏好聚合向量;同时在损失函数中融入标签平滑正则化项;最后使用内积运算得到用户对物品的喜好预测。通过在公开数据集下的实验结果表明,文章算法与其他基准算法相比,在CTR(Click Through Rate)和Top-K(对模型给出的前K个预测结果进行性能评估)推荐场景下的评估指标AUC(Area Under Curve)、F_(1)(F_(1)-score)、recall(召回率)均有所提高。文章该算法具有较好的推荐性能和可解释性。

一种基于知识图谱的用户多偏好推荐系统

提出了一种基于知识图谱(KG)的用户多偏好(MPKG)推荐系统,从用户关系级、实体级和细粒度高阶用户三种不同的视角建模用户的偏好.首先,将KG中关系向量组合,构建关系级意图,并通过独立性将不同意图之间的差异最大化,由关系级意图来指导学习关系级偏好;然后,根据用户交互实体的频率构建实体偏好图(EPG),并学习用户的实体级偏好;接着,分别使用关系级意图和实体级偏好来指导模型学习用户的表示;此外,还直接从KG中构建关系实体信息流,用于用户的表示,挖掘用户的高阶细粒度偏好.在两个基准数据集上进行实验,实验结果验证了该方法的有效性和可行性.

融入逻辑规则的知识图谱推荐模型研究

知识图谱嵌入技术已在推荐系统领域引起广泛关注,将结构化知识图谱中的信息融入到推荐模型中,可以提高推荐的个性化程度。然而,因为初始数据的不准确性会导致推荐结果不正确,现存的知识图谱推荐模型中仍存在误差传播问题。针对这个问题,该文提出了RR-KGE模型,由知识图谱嵌入模块和推荐算法模块组成;其中聚焦于知识图谱嵌入框架,将规则嵌入和知识图谱嵌入进行联合学习,通过规则给予模型更多的约束条件,以减少误差传播;并结合此框架将推荐算法ALS(Alternating Least Squares)和RNN(Recurrent Neural Network)相融合来获得更加精确的推荐结果;最后将RR-KGE与不同基准模型进行比较,在两个数据集上多项指标均优于对比模型,证明了推荐方法的有效性。

融合知识图谱和兴趣偏好的数字文化资源推荐方法

在数字文化资源推荐中,资源与用户兴趣的精准匹配扮演着关键作用。虽然知识图谱有效地解决了传统推荐算法中数据稀疏性与冷启动问题,但知识图谱的静态结构却限制了对用户兴趣动态演化的理解。针对上述问题,文中提出了一种融合知识图谱和兴趣偏好的数字文化资源推荐方法(Knowledge Graph Interest Preferences,KGIP)。该方法首先通过构建知识图谱的嵌入表示用以建立用户与资源之间的关联关系。其次,采用长短期记忆网络模块表征用户的兴趣,并挖掘用户长短期历史行为中的复杂特征,更准确地捕捉用户的兴趣偏好。最后,为了充分利用兴趣偏好以及资源之间的关联信息,将两种特征表示进行融合送入多层感知器学习不同潜在因子之间的非线性结构特征,引入Sigmoid激活函数得到最终预测结果。通过在豆瓣平台和国家文化云平台数据集上进行多次实验验证,结果表明KGIP在数字文化资源推荐中具有良好的表现。

基于知识图谱的电力交易智能推荐技术研究

为提高电力交易智能推荐的准确性,提出一种基于知识图谱的电力交易智能推荐方法。构建了电力交易智能推荐知识图谱,并设计了基于互信息的抽取算法,将电力交易知识抽取分为概念对生成-排序和聚类压缩2步进行抽取,在Freebase知识库中对所提方法进行了验证。结果表明,所提方法可实现准确的知识抽取和答案抽取,抽取结果的准确率达到97.97%,平均精度均值为98%,平均质量得分为2.46。相较于随机抽取方法,抽取结果的平均精度均值提高了77.99%,平均质量得分提高了1.75,具有一定的有效性、准确性和优越性。

基于知识图谱的伤寒论课程学习资源推荐模型

结合知识图谱和个性化资源推荐算法,实现伤寒论课程学习资源的个性化推荐,帮助学习者更有效地学习。利用前期研究的知识图谱,融合课程本体知识,构建伤寒论课程知识图谱。在此基础上,结合协同过滤和基于路径的推荐算法,设计混合推荐算法,按相似度排序推荐学习资源给用户。提供形式化的知识表示方法和组织模型,满足个性化学习需求,为学习者提供符合其学习路线的资源,实现精准推送。该模型能够有效地解决伤寒论课程教学中存在的“晦涩难读懂、枯燥难专注、教学难互动”的问题,有助于学习者更好地学习伤寒论课程。

基于知识图谱的测井储层推荐算法研究

针对实际应用中测井解释人员由于经验不足以及测井解释模型所选取的参数不当、差错等,所造成的测井处理解释结果的评价精度不准等问题,提出了一种基于知识图谱的测井储层推荐算法。首先,构建测井领域知识图谱对测井解释操作人员和其测井储层特性信息进行统一表示;其次,通过加入注意力机制和TransR算法对测井领域知识图谱进行补全,再通过连接机制把推荐算法与知识图谱结合起来;最后,根据潜在特征预测并推荐测井领域中储层参数信息。在测井领域数据集上的实验结果表明,该推荐算法在Top-K推荐中K=15时,其准确率、召回率和归一化折损累计增益三个指标比同类算法分别提高了6.21%、8.05%、4.82%,并能够高精度预测和推荐测井领域储层参数信息以及更准确地判断储层油气状况,从而揭示出基于知识图谱构建测井储层推荐算法的研究方案是可行的。

基于用户特征聚类的综合能源套餐推荐方法

针对庞大的综合能源用户群体在购买能源服务套餐时难以选择的问题,提出一种基于用户特征聚类的综合能源套餐推荐方法,以提高用户粘性。首先,将收集的综合能源用户信息进行知识图谱构建,对缺失的用户信息进行补充完善,同时分析用户之间的关系。然后,采用谱聚类的方法对构建好的用户知识图谱进行图谱分割聚类,进行用户之间的相似度计算,提取代表综合能源用户用能行为多样性的兴趣特征。最后,通过随机森林模型计算综合能源用户对各能源服务套餐的预测评分,将预测评分进行排序后,取评分最高的部分套餐通过线上平台为用户呈现套餐服务内容,实现对用户的精准推荐。将所提套餐推荐模型与传统推荐模型进行比较分析,结果表明基于用户特征聚类的综合能源套餐推荐方法能够为综合能源服务公司实现有效的用户精准化能源服务推荐,有利于提升能源服务公司的市场竞争力,同时为电力企业向综合能源服务提供商转型提供技术支撑。

融合知识图谱和轻量图卷积网络的推荐算法

针对知识图谱推荐算法用户端和项目端建模程度不均且模型复杂度较高等问题,提出融合知识图谱和轻量图卷积网络的推荐算法.在用户端,利用用户相似性生成邻居集合,将用户及其相似用户的交互记录在知识图谱上多次迭代传播,增强用户特征表示.在项目端,将知识图谱中实体嵌入传播,挖掘与用户喜好相关的项目信息;接着,利用轻量图卷积网络聚合邻域特征获得用户和项目的特征表示,同时采用注意力机制将邻域权重融入实体,增强节点的嵌入表示;最后,预测用户和项目之间的评分.实验表明,在Book-Crossing数据集上,相较于最优基线,AUC和ACC分别提高了1.8%和2.3%.在Yelp2018数据集上,AUC和ACC分别提高了1.2%和1.4%.结果证明,该模型与其他基准模型相比有较好的推荐性能.

基于知识表示学习的工业云机器人制造能力服务推荐方法

随着工业云机器人的广泛应用,服务信息爆炸式增长造成服务信息过载,为了快速有效地从海量制造服务中为用户推荐优质可靠的服务,提出一种基于知识表示学习的工业云机器人制造能力服务推荐方法,从工业云机器人制造能力服务知识图谱的构建出发,对工业云机器人制造任务信息、制造能力信息、服务功能信息和非功能信息进行描述;为提高知识推荐的速度,引入知识表示学习,将实体和关系表示为低维稠密的向量,实现实体和关系的语义联系的高效计算。针对大多数翻译模型负样本生成采用随机替换的方法导致模型预测精度低的问题,提出了一种新的负样本生成策略,将其与TransE结合,在FB15K数据集上验证了负样本生成策略的有效性,实验结果证明本文所提方法在进行链接预测时具有更高的准确率。

融合社交关系和知识图谱的推荐算法

推荐系统可以帮助用户快速发现有用信息,有效提高用户的检索效率,然而推荐系统存在数据稀疏性、冷启动等问题,现有的融合了社交关系的推荐算法大多忽略了社交关系数据的稀疏性,且同时融合社交关系和物品属性数据的推荐算法较少。为解决这方面的问题,提出了一种融合社交关系和知识图谱的推荐算法(MSAKR)。首先,该算法通过图卷积神经网络提取用户的社交关系得到用户的特征向量,采用图中心性筛选邻居,采用word2vec模型思想生成虚拟邻居,从而缓解社交数据的稀疏性,采用注意力机制来聚集邻居;其次,采用多任务学习和基于语义的匹配模型来提取物品属性知识图谱信息得到物品的特征向量;最后,根据得到的用户和物品特征向量向用户综合推荐。为验证提出算法的性能,在真实数据集豆瓣和Yelp上进行实验验证,分别使用点击率预测和Top-K推荐来评估模型性能,实验结果表明,提出的模型优于其他的基准模型。

融入知识图谱的电影推荐算法

传统的电影推荐系统可为用户推荐感兴趣的电影,但存在数据稀疏和冷启动问题。本文提出了ALS-G算法,将知识图谱作为辅助信息融入推荐系统中。首先利用图卷积神经网络GCN对电影属性知识图谱进行卷积获得电影的向量,将该电影向量与用户向量作为输入,然后利用ALS推荐算法预测该用户对该电影的喜爱程度。在MovieLens-1M数据集上的验证结果表明,本文的方法不仅能够缓解数据稀疏和冷启动问题,而且还提高了推荐系统的准确性。

结合用户视角的知识图注意力网络推荐算法

目前基于知识图谱的推荐方法大多仅仅关注于如何用知识图谱中的信息丰富项目的嵌入表示,而忽略了从用户视角出发,更细粒度地挖掘用户-项目交互的协同信息,将用户-项目图中的协同信息与知识图谱中的辅助信息充分结合。针对上述问题,提出了一种结合用户视角的知识图注意力网络推荐算法。在项目端,结合知识感知的注意力嵌入传播,捕获图中的高阶信息;在用户端,建模用户视角因子细化用户-项目图中的协同信息,在知识图谱中沿着关系依赖的路径聚合,进一步丰富了用户和项目的表示,进而预测用户对项目的点击概率分数。在Last.FM和MovieLens-20M公开数据集上的实验表明,与目前主流基线相比,该模型在Recall@K指标上提升了13%~22%,在AUC和F1指标上提升了0.6%~4.5%。