基于知识图谱的关系预测与推荐算法研究
这是一篇关于知识图谱,对比学习,关系预测,偏好传播,推荐系统的论文, 主要内容为在当今互联技术高速发展之下,信息高度过载也随之而来,在海量数据面前,人们难以抉择自己想要的东西。针对此类问题,推荐系统应时而生。传统的推荐算法都面临着交互信息稀疏性和冷启动的问题,它们往往给不了一个令人满意的推荐效果。为了解决这样的问题,大量研究者将知识图谱与推荐系统相互结合,借助知识图谱中实体之间的高阶连通,从中捕获潜在的语义,进而提高推荐的性能。但如今的研究者并没有充分地研究知识图谱的结构信息,面对图谱中出现的新实体时,导致推荐精确度不高。同时,针对大多数算法忽略了知识图谱中实体之间的强协作信号和不同传播层对目标向量表示的不同影响。本文提出了相应的算法模型来解决上述问题:(1)在知识图谱冷启动的问题之上,即知识图谱中出现了新实体的情况下,不能利用先验知识去处理归纳学习以及监督学习不足的问题。因此提出基于BERT与路径对比学习的归纳关系预测的模型。首先,利用卷积神经网络捕获目标三元组子图的上下文邻域的结构信息,并且将以目标三元组为中心的封闭子图线性化并生成关系路径向量;接着,将关系路径输入到BERT中进行特征学习,生成正、负样本关系路径集合;最后,以知识图谱结构信息对比、正负关系路径集合对比和自监督学习三者联合训练进行关系预测。在适用于归纳关系预测的常用数据集上,成功提高了该模型的预测精度。(2)针对忽略了知识图谱中实体之间的强协作信号和不同传播层对目标特征表示的影响,提出了一种基于知识感知与多层结合的推荐算法。首先,加入知识图谱补全技术,进一步完备了图谱的结构信息;其次,以Ripple Net和KGCN两个经典模型为基础进行了融合改进,以端到端的两个视角去学习用户特征和项目特征。在用户表示阶段,以用户历史交互记录为基础,采用偏好传播的方式进行嵌入传播以表示用户向量。在项目表示阶段,对邻域聚合采用乘法聚合器不断聚合高阶邻域信息,强调了项目之间的强协作信号。在表征用户或者项目两个目标向量时,权衡地结合了各阶层学习到的用户或者项目表示;最后,使用这两个目标向量的乘积作为点击预测值。由对比和退化实验结果可知,该算法改善了推荐性能指标,同时在一定程度上缓解了数据稀疏性的问题。
基于知识图谱的个性化电影推荐系统的研究与实现
这是一篇关于信息过载,推荐系统,数据稀疏,知识图谱,偏好传播的论文, 主要内容为影视行业的飞速发展带来了海量影视资源,致使用户处于信息过载与迷航的困扰之中,个性化推荐系统是解决问题的有效方式,但现存的系统中存在数据稀疏性问题。目前解决数据稀疏的方法有很多种,最具代表性的并能规模化使用的是知识图谱。在深度学习快速发展的背景下,基于图嵌入的推荐生成采用对图谱语义特征向量化的方式,将知识图谱与推荐算法有效结合并逐步发展成热门,其中波纹网路框架最具代表。本文从推荐模型的改进与应用两个角度出发,针对电影领域,开展对知识图谱辅助电影推荐系统的研究,主要工作如下:(1)构建电影知识图谱。在对领域知识进行分析的基础上抽象出相关的知识要素,并基于Protege完成了本体库的构建。之后在豆瓣电影网站将爬取相关知识存储在My SQL中,并基于My SQL数据库结合D2RQ平台进行知识抽取。最终考虑到Neo4j的特性,为了更好的对知识进行检索,将其迁移至Neo4j持久存储,完成了电影领域知识图谱的构建,为后续下游任务推荐系统做出充分准备。(2)构建一种融合知识图谱的偏好传播推荐模型(Combining Knowledge graph for Preference propagation recommendation,CKP)。基于用户对一个项目的偏好大部分取决于项目的属性这一假设,本文结合项目知识图谱与用户-项目交互矩阵来推导用户偏好,然后将用户偏好引入偏好传播模型中来预测用户点击率。该偏好传播模型基于波纹网络框架进行改进,并在电影与音乐两个领域数据集中开展相关实验,以AUC、ACC、F1为评估指标,通过超参数敏感性分析、基准模型CTR预估结果对比、数据稀疏性实验与消融实验验证了引入知识图谱与改进方案的有效性。CKP模型在电影领域数据集上比原模型AUC指标增加1.4%、ACC指标增加2.4%;在音乐领域数据集上比原模型AUC指标增加6.3%、ACC指标增加9.6%,这突出了改进模型的优越性。(3)设计与实现了个性化电影推荐系统。把降低用户查找信息难度与挖掘用户潜在兴趣项目作为两个靶向目标,系统提供电影搜索、实体查询、图谱问答等多种方式,帮助用户提高查找的效率。同时将系统内交互的数据存放在My SQL数据库中,并结合Neo4j中存储的电影知识图谱,引入已构建的推荐模型为用户匹配合适的电影,从而提高用户的体验与满意度。在需求明确的前提下,对系统功能与数据库进行详细设计,开发实现用户端以及管理端的相关功能,并通过测试,确保系统的稳定性与准确性。
基于知识图谱的关系预测与推荐算法研究
这是一篇关于知识图谱,对比学习,关系预测,偏好传播,推荐系统的论文, 主要内容为在当今互联技术高速发展之下,信息高度过载也随之而来,在海量数据面前,人们难以抉择自己想要的东西。针对此类问题,推荐系统应时而生。传统的推荐算法都面临着交互信息稀疏性和冷启动的问题,它们往往给不了一个令人满意的推荐效果。为了解决这样的问题,大量研究者将知识图谱与推荐系统相互结合,借助知识图谱中实体之间的高阶连通,从中捕获潜在的语义,进而提高推荐的性能。但如今的研究者并没有充分地研究知识图谱的结构信息,面对图谱中出现的新实体时,导致推荐精确度不高。同时,针对大多数算法忽略了知识图谱中实体之间的强协作信号和不同传播层对目标向量表示的不同影响。本文提出了相应的算法模型来解决上述问题:(1)在知识图谱冷启动的问题之上,即知识图谱中出现了新实体的情况下,不能利用先验知识去处理归纳学习以及监督学习不足的问题。因此提出基于BERT与路径对比学习的归纳关系预测的模型。首先,利用卷积神经网络捕获目标三元组子图的上下文邻域的结构信息,并且将以目标三元组为中心的封闭子图线性化并生成关系路径向量;接着,将关系路径输入到BERT中进行特征学习,生成正、负样本关系路径集合;最后,以知识图谱结构信息对比、正负关系路径集合对比和自监督学习三者联合训练进行关系预测。在适用于归纳关系预测的常用数据集上,成功提高了该模型的预测精度。(2)针对忽略了知识图谱中实体之间的强协作信号和不同传播层对目标特征表示的影响,提出了一种基于知识感知与多层结合的推荐算法。首先,加入知识图谱补全技术,进一步完备了图谱的结构信息;其次,以Ripple Net和KGCN两个经典模型为基础进行了融合改进,以端到端的两个视角去学习用户特征和项目特征。在用户表示阶段,以用户历史交互记录为基础,采用偏好传播的方式进行嵌入传播以表示用户向量。在项目表示阶段,对邻域聚合采用乘法聚合器不断聚合高阶邻域信息,强调了项目之间的强协作信号。在表征用户或者项目两个目标向量时,权衡地结合了各阶层学习到的用户或者项目表示;最后,使用这两个目标向量的乘积作为点击预测值。由对比和退化实验结果可知,该算法改善了推荐性能指标,同时在一定程度上缓解了数据稀疏性的问题。
基于知识图谱的关系预测与推荐算法研究
这是一篇关于知识图谱,对比学习,关系预测,偏好传播,推荐系统的论文, 主要内容为在当今互联技术高速发展之下,信息高度过载也随之而来,在海量数据面前,人们难以抉择自己想要的东西。针对此类问题,推荐系统应时而生。传统的推荐算法都面临着交互信息稀疏性和冷启动的问题,它们往往给不了一个令人满意的推荐效果。为了解决这样的问题,大量研究者将知识图谱与推荐系统相互结合,借助知识图谱中实体之间的高阶连通,从中捕获潜在的语义,进而提高推荐的性能。但如今的研究者并没有充分地研究知识图谱的结构信息,面对图谱中出现的新实体时,导致推荐精确度不高。同时,针对大多数算法忽略了知识图谱中实体之间的强协作信号和不同传播层对目标向量表示的不同影响。本文提出了相应的算法模型来解决上述问题:(1)在知识图谱冷启动的问题之上,即知识图谱中出现了新实体的情况下,不能利用先验知识去处理归纳学习以及监督学习不足的问题。因此提出基于BERT与路径对比学习的归纳关系预测的模型。首先,利用卷积神经网络捕获目标三元组子图的上下文邻域的结构信息,并且将以目标三元组为中心的封闭子图线性化并生成关系路径向量;接着,将关系路径输入到BERT中进行特征学习,生成正、负样本关系路径集合;最后,以知识图谱结构信息对比、正负关系路径集合对比和自监督学习三者联合训练进行关系预测。在适用于归纳关系预测的常用数据集上,成功提高了该模型的预测精度。(2)针对忽略了知识图谱中实体之间的强协作信号和不同传播层对目标特征表示的影响,提出了一种基于知识感知与多层结合的推荐算法。首先,加入知识图谱补全技术,进一步完备了图谱的结构信息;其次,以Ripple Net和KGCN两个经典模型为基础进行了融合改进,以端到端的两个视角去学习用户特征和项目特征。在用户表示阶段,以用户历史交互记录为基础,采用偏好传播的方式进行嵌入传播以表示用户向量。在项目表示阶段,对邻域聚合采用乘法聚合器不断聚合高阶邻域信息,强调了项目之间的强协作信号。在表征用户或者项目两个目标向量时,权衡地结合了各阶层学习到的用户或者项目表示;最后,使用这两个目标向量的乘积作为点击预测值。由对比和退化实验结果可知,该算法改善了推荐性能指标,同时在一定程度上缓解了数据稀疏性的问题。
基于知识图谱的关系预测与推荐算法研究
这是一篇关于知识图谱,对比学习,关系预测,偏好传播,推荐系统的论文, 主要内容为在当今互联技术高速发展之下,信息高度过载也随之而来,在海量数据面前,人们难以抉择自己想要的东西。针对此类问题,推荐系统应时而生。传统的推荐算法都面临着交互信息稀疏性和冷启动的问题,它们往往给不了一个令人满意的推荐效果。为了解决这样的问题,大量研究者将知识图谱与推荐系统相互结合,借助知识图谱中实体之间的高阶连通,从中捕获潜在的语义,进而提高推荐的性能。但如今的研究者并没有充分地研究知识图谱的结构信息,面对图谱中出现的新实体时,导致推荐精确度不高。同时,针对大多数算法忽略了知识图谱中实体之间的强协作信号和不同传播层对目标向量表示的不同影响。本文提出了相应的算法模型来解决上述问题:(1)在知识图谱冷启动的问题之上,即知识图谱中出现了新实体的情况下,不能利用先验知识去处理归纳学习以及监督学习不足的问题。因此提出基于BERT与路径对比学习的归纳关系预测的模型。首先,利用卷积神经网络捕获目标三元组子图的上下文邻域的结构信息,并且将以目标三元组为中心的封闭子图线性化并生成关系路径向量;接着,将关系路径输入到BERT中进行特征学习,生成正、负样本关系路径集合;最后,以知识图谱结构信息对比、正负关系路径集合对比和自监督学习三者联合训练进行关系预测。在适用于归纳关系预测的常用数据集上,成功提高了该模型的预测精度。(2)针对忽略了知识图谱中实体之间的强协作信号和不同传播层对目标特征表示的影响,提出了一种基于知识感知与多层结合的推荐算法。首先,加入知识图谱补全技术,进一步完备了图谱的结构信息;其次,以Ripple Net和KGCN两个经典模型为基础进行了融合改进,以端到端的两个视角去学习用户特征和项目特征。在用户表示阶段,以用户历史交互记录为基础,采用偏好传播的方式进行嵌入传播以表示用户向量。在项目表示阶段,对邻域聚合采用乘法聚合器不断聚合高阶邻域信息,强调了项目之间的强协作信号。在表征用户或者项目两个目标向量时,权衡地结合了各阶层学习到的用户或者项目表示;最后,使用这两个目标向量的乘积作为点击预测值。由对比和退化实验结果可知,该算法改善了推荐性能指标,同时在一定程度上缓解了数据稀疏性的问题。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/48672.html
