论文部分内容阅读
伴随着移动互联网和大数据的高速发展，互联网产生大量的数据，这些海量的数据在给我们带来丰富选择的同时，也给我们带来了信息过载的问题。推荐系统旨在根据用户和项目之间的交互历史来自动构架用户和项目的之间的联系。学术和工业界的研究表明，推荐系统能够有效解决信息过载问题，提升数据的利用率。然而传统的推荐算法受限于有限的附属信息和模型结构，无法实现理想的效果，而且非常容易受到数据稀疏的影响，尤其是冷启动问题。冷启动问题是数据稀疏问题的极端，即新加入到推荐系统的用户或者项目，由于它们不存在任何交互历史，所以传统的推荐算法无法对它们进行学习，形成推荐结果。
为了解决以上问题本文引入知识图谱到推荐系统中，研究使用深度学习和图神经网络提取知识图谱丰富的语义信息辅助推荐，主要工作如下:
知识感知的多关系卷积神经网络推荐算法(KAMR)。本文引入知识图谱到推荐系统，增强推荐系统的表征能力。首先KAMR根据项目，找到知识图谱上的映射实体，然后由知识图谱上的拓扑结构获取当前项目的相关实体，并使用用户向量和关系向量求解attention，以刻画用户对不同关系的偏好，再使用attention来融合相关实体的信息得到项目向量，最后将项目向量和用户进行点积得到预测概率。模型以广度优先的方式聚合与项目密切相关的语义信息，它们可以很好地缓解推荐系统数据稀疏的问题。
知识感知的图神经协同过滤推荐算法(KGCF)。本文提出了知识感知的图神经协同算法(KGCF)，以一种全新的方式对知识图谱上的领域信息进行编码构建信息。KGCF同时整合广度优先和深度优先聚合信息优点。然后通过用户对邻域信息的个性化权重融合领域的信息。此外通过叠加多个KGCF层，对用户的交互项目进行扩展，捕获知识图谱的高阶语义信息，强化项目的表示，同时模拟对用户的兴趣进行扩展，以减轻数据稀疏问题。
知识感知的Transformer序列推荐算法(KA-Tran)。本文提出了知识感知的Transformer序列推荐算法来提取知识图谱丰富的语义信息，并从多个角度来挖掘项目之间的相关性。KA-Tran首先为序列中的每个项目的位置和知识图谱构建嵌入信息，然后将序列中项目分别通过知识提取层从知识图谱提取关于项目的语义信息并和对应的序列位置嵌入信息进行融合。最后再Transformer的作用下，在每个时间步步骤中，KA-Tran都会设法去确定和用户交互历史相关的项目，并使用它们来预测下一个潜在的交互。
为了解决以上问题本文引入知识图谱到推荐系统中，研究使用深度学习和图神经网络提取知识图谱丰富的语义信息辅助推荐，主要工作如下:
知识感知的多关系卷积神经网络推荐算法(KAMR)。本文引入知识图谱到推荐系统，增强推荐系统的表征能力。首先KAMR根据项目，找到知识图谱上的映射实体，然后由知识图谱上的拓扑结构获取当前项目的相关实体，并使用用户向量和关系向量求解attention，以刻画用户对不同关系的偏好，再使用attention来融合相关实体的信息得到项目向量，最后将项目向量和用户进行点积得到预测概率。模型以广度优先的方式聚合与项目密切相关的语义信息，它们可以很好地缓解推荐系统数据稀疏的问题。
知识感知的图神经协同过滤推荐算法(KGCF)。本文提出了知识感知的图神经协同算法(KGCF)，以一种全新的方式对知识图谱上的领域信息进行编码构建信息。KGCF同时整合广度优先和深度优先聚合信息优点。然后通过用户对邻域信息的个性化权重融合领域的信息。此外通过叠加多个KGCF层，对用户的交互项目进行扩展，捕获知识图谱的高阶语义信息，强化项目的表示，同时模拟对用户的兴趣进行扩展，以减轻数据稀疏问题。
知识感知的Transformer序列推荐算法(KA-Tran)。本文提出了知识感知的Transformer序列推荐算法来提取知识图谱丰富的语义信息，并从多个角度来挖掘项目之间的相关性。KA-Tran首先为序列中的每个项目的位置和知识图谱构建嵌入信息，然后将序列中项目分别通过知识提取层从知识图谱提取关于项目的语义信息并和对应的序列位置嵌入信息进行融合。最后再Transformer的作用下，在每个时间步步骤中，KA-Tran都会设法去确定和用户交互历史相关的项目，并使用它们来预测下一个潜在的交互。