基于交互属性增强的电影评分预测

电影评分预测旨在预测用户对未评价的电影可能赋予的评分,是推荐系统、电影分类等现实应用的重要依据。现有预测方法主要关注用户与电影的交互信息和文本信息表示,对属性特征的直接表示考虑较少。为此,提出一种基于交互属性增强的电影评分预测模型。首先,考虑使用属性节点在网络中的嵌入向量表示不同的属性特征信息,根据数据间的交互和从属关系构建电影信息网络,利用Metapath2vec算法获得属性节点的嵌入向量,将各属性特征转换为具有不同元路径结构信息及语义信息的向量表示。然后,将用户和电影的属性特征向量输入双塔模型,与各自ID特征向量交互融合,以探索不同属性偏好对用户及电影的影响。最后,得到用户和电影特征向量,通过点积实现用户对电影的评分预测。在公开数据集上的结果表明,所提模型相较于传统模型预测准确性更高,证明了模型的有效性。

一种引入元路径相似性度量的材料实体检索方法

近年来,随着材料数据的积累以及“材料基因组计划”的普及,面对大量需要处理和管理的材料数据,快速准确地检索并获取相应信息已成为一个重要问题。传统的检索方法由于仅能查询某一材料的相关信息,并且存在检索结果不全面、无法处理复杂语义关系等问题,难以获取相似程度较高的材料。为了快速、准确地找到与某种材料相似的材料,提出可度量不同节点的加权材料相似度计算模型WM-PathSim。首先,使用metapath2vec学习材料节点的嵌入表示;其次,引入TFIDF-CBOW模型学习材料路径实例的存在概率,进而计算不同元路径的权重;最后,加权求和符合条件的元路径得到最后的相似性度量,来预测不同材料之间的相似程度。在真实数据集上的结果表明,在不同的路径关系中,所提模型相比于基线方法在性能上有较大提升,其AUC和precision指标分别提升了0.37~5.02百分点和1~7.33百分点,说明所提模型得到材料间的相似程度更加准确和有效,从而能够获得相似材料。