融合时间和知识信息的生成对抗网络序列推荐算法

来源：计算机工程杂志2024年第11期北京时间：

作者：李忠伟, 周洁, 刘昕, 吴金燠, 李可一

单位：1. 中国石油大学(华东)海洋与空间信息学院, 山东 青岛 2665802. 中国石油大学(华东)计算机科学与技术学院, 山东 青岛 266580

摘要：序列推荐作为一种常用的推荐系统技术, 通过对用户的历史交互序列进行建模来预测下一个可能交互的项目。现有的序列推荐方法主要利用用户交互序列和上下文信息进行推荐, 忽略了序列中交互项目之间的时间间隔信息, 交互项目之间的组合依赖以及上下文信息中存在噪声的问题, 导致推荐结果受限。针对以上问题, 提出一种基于生成对抗网络的序列推荐模型TKWGAN, 该模型包含一个生成器和一个判别器。生成器结合了用户历史交互序列和各项目之间的时间间隔信息对用户偏好进行建模并生成预测, 判别器则引入了知识图谱信息对项目进行语义扩充, 从而能更准确地对生成器的预测进行合理性判断。针对用户交互序列和知识图谱信息中可能存在噪声的问题, 提出一种基于小波变换的多核卷积神经网络来构造判别器, 以更全面、准确地捕获用户的潜在兴趣, 提高推荐的准确性。在MovieLens-1M、Amazon Books和Yelp2018这3个公开数据集上的实验结果表明, 与8个序列化推荐算法相比, 提出的TKWGAN模型在命中率(HR@N)和归一化折损累计增益(NDCG@N)指标上均有显著提升。

关键词：推荐算法,序列推荐,生成对抗网络,知识图谱,小波卷积网络

基金资助：国家重点研发计划(2018YFC1406204)