融合实体与关系交互信息的知识感知推荐模型

来源：电子测量技术杂志2024年第1期北京时间：

作者：姚静，吕腾

单位：1.安徽建筑大学电子与信息工程学院 合肥 230601; 2.安徽新华学院大数据与人工智能学院 合肥 230088

摘要：由于知识图谱包含了丰富的项目属性及其关联信息，因此在推荐系统中引入知识图谱能在一定程度上解决数据稀疏和冷启动问题。如基于传播的推荐系统就利用了知识图谱的图结构学习用户及项目表示等相关特征。但在传播过程中，往往忽略了实体与关系之间的交互信息对特征表示的贡献，由此提出一种融合实体与关系交互信息的知识感知推荐模型。首先，将协同信息和知识关联整合，采用异构传播方式传播并扩展用户和项目的表示。其次，在传播过程中用注意力机制强化实体与关系之间的交互信息，增强语义关联，保证用户和项目基于知识的高阶交互的有效性。然后采用知识感知注意力机制来区分每层中实体邻居的重要性，更精确地生成用户和项目的表示。最后通过聚合器将多个表示结合得到用户和项目的最终表示，从而预测用户与项目进行交互的概率。通过添加KL散度损失函数对模型进行优化，以对齐模型的预测分布和真实分布之间的差异。在Last.FM、Book-Crossing和MovieLens-20M 3个数据集上进行的实验结果表明该模型在CTR预测性能中比其他基线模型有较大提升。

关键词：推荐系统;知识图谱;交互信息;注意力机制

基金资助：安徽省高校自然科学研究重点项目（KJ2021A1157）资助