融合知识图谱与高阶信息聚合机制的推荐模型

来源：计算机工程与应用杂志2025年第19期北京时间：

作者：武杲昊, 王霞, 郝国生, 祝义

单位：江苏师范大学 计算机科学与技术学院，江苏 徐州 221116

摘要：知识图谱通过其丰富的语义信息和复杂的关系网络，显著提升了推荐模型的精度和可解释性。然而，现有基于嵌入传播的知识图谱推荐模型在聚合高阶信息时，难以在捕捉多层次语义关联和抑制多层传播引入的噪声之间实现有效权衡；同时，在信息传播过程中，高连接度节点往往主导特征更新，导致低连接度节点的个性化特征被稀释，削弱了模型对细粒度个性化需求的捕捉能力。针对这些问题，提出了一种融合知识图谱与高阶信息聚合机制的推荐模型。该模型以实体的邻域信息为感知域，通过多次迭代传播，有效捕捉知识图谱中的高阶连通性和复杂关系。引入对称归一化机制，以解决节点聚合过程中因度分布不均导致的特征更新偏差，确保不同实体在嵌入空间中的均衡表示。设计高阶聚合传播机制，动态整合不同层次的邻域特征信息，兼顾高阶语义信息的获取与多层传播所引入的噪声抑制。该模型在Last-FM和Book-Crossing公共数据集上与基线模型进行对比实验，结果表明该模型在AUC、F1、Recall@k和NDCG@k评价指标上优于其他模型。

关键词：推荐模型,知识图谱,图卷积神经网络