文献类型：期刊文章

作　　者：徐兵[1] 弋沛玉[1] 王金策[2] 彭舰[1]

XU Bing;YI Pei-yu;WANG Jin-ce;PENG Jian(College of Computer Science,Sichuan University,Chengdu 610065,China;Department of Computer and Information Engineering,Shanxi Institute of Energy,Jinzhong,Shanxi 030600,China)

机构地区：[1]四川大学计算机学院,成都610065 [2]山西能源学院计算机与信息工程系,山西晋中030600

出　　处：《计算机科学》

基　　金：四川省重点研发计划(2020YFG0089);四川大学-自贡市校地科技合作专向基金(2018CDZG-15);山西省青年科技研究基金项目(201801D221176)。

年　　份：2021

卷　　号：48

期　　号：S02

起止页码：244-250

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：针对推荐系统存在的数据稀疏问题,传统的协同过滤方法无法捕捉辅助信息之间的相关性,从而降低了推荐的准确度,文中提出KGE-CF模型,引入了知识图谱作为辅助信息,利用知识图谱中多源结构性的数据来缓解数据稀疏问题。KGE-CF结合多层感知机捕获高阶非线性特征的能力,能够学习出用户与项目更深层次的交互信息,从而提升推荐质量。首先,KGE-CF模型将用户的历史交互项目与知识图谱中的实体进行映射,并且利用知识图谱的翻译模型进行训练,得到实体嵌入向量与关系向量,并依据“兴趣迁移”思想进一步学习出更为丰富的用户向量;然后,模型将学习得到的用户向量与项目向量拼接,作为多层感知机的输入,捕捉用户与项目之间的高阶特征信息;最后,通过一个sigmoid函数得到用户对候选项目的偏好程度。通过在真实数据集上的实验,证明了提出的KGE-CF模型在点击率预测和top-k两种推荐场景下均优于其他方法。

关 键 词：知识图谱 多层感知机 推荐系统 协同过滤 数据稀疏性

分 类 号：TP3[计算机类]