基于知识图谱的推荐算法研究
这是一篇关于推荐系统,知识图嵌入,多模态信息,特征交叉的论文, 主要内容为随着技术革命和工业变革的加速推进,信息呈现爆炸式的增长。推荐系统的诞生,为信息爆炸问题的解决提供了强有力的工具。它仅通过分析用户的历史行为,就可以为用户推送可能感兴趣的信息,这在一定程度上帮助用户节省了寻找信息的时间。推荐系统中,因子分解机等推荐算法对不同特征进行交叉组合,孤立地对待每一用户-物品交互信息,即无法显式地利用用户与用户之间、物品与物品之间隐含的关联。这导致得到的特征嵌入不是最优的,无法克服物品冷启动问题。因此,本文提出基于多模态知识图嵌入的神经因子分解机(MKGNFM),模型由多模态知识图嵌入部分和推荐部分组成,采用联合训练的方式,将多模态特征输入到下游推荐任务中,预测用户-物品交互概率。多模态知识图嵌入部分旨在获取丰富的特征嵌入,克服特征交叉模型孤立对待样本问题。首先针对结构化知识,本文采用知识图嵌入模型Hole,在取得实体和关系嵌入的同时,保留知识图谱中的结构信息。其次,考虑到多模态知识图中数据类型的多样性,本文基于Glove算法训练得到的词向量,采用SIF算法计算语料库中句子词向量的加权平均数,并以此作为文本知识嵌入特征。推荐部分采用神经因子分解机模型,它兼具因子分解机模型二阶交叉线性和深度神经网络高阶交叉非线性优势,其特征交叉池化层可以很好地集成多模态知识图嵌入部分生成的两种模态特征。为了验证模型的有效性,本文结合Movie Lens-1M数据集和IMDB网站上爬取的电影简介信息对推荐算法进行实证研究。分别进行了MKGNFM模型与基线模型的对比试验、不同模态数据对推荐结果影响的消融试验以及模型推荐模块的超参数试验。本文采用ROC-AUC和PR-AUC作为评价指标,试验结果表明MKGNFM模型超越了一般基线模型,多模态知识图信息的嵌入在一定程度上提升了特征交叉模型的效果,模型的架构具备一定的合理性和可行性,模型对推荐系统性能的提升是有效的。
基于知识图谱的关系推理算法研究
这是一篇关于知识图谱,关系推理,知识图嵌入,知识表示学习,图卷积网络的论文, 主要内容为自谷歌发布基于知识图谱(Knowledge Graph,KG)的搜索引擎产品Knowledge Vault以来,微软Satori、搜狗知立方、百度知心等产品也紧随其后,知识图谱在行业内和学术界普遍引起关注。知识图谱利用实体和关系将客观世界中的对象以及它们的属性关系显现出来,为互联网中庞大的非结构化信息提供了一种行之有效的处理方式,通过知识抽取、知识表示和知识融合等一系列过程对开放域信息组织管理、消歧整合和推理更新,使得网络信息整理的智能化水平逐步提高。然而受到现阶段开放域信息抽取技术发展不足和公开数据源知识缺失的影响,知识的不完整性已经成为限制知识图谱和下游应用发展的主要原因。关系推理技术是根据知识图谱中已经存在的知识,通过推理实体间的属性和关系,来获得新的知识。依靠知识图谱的关系推理技术,可以对知识图谱进行补充完善,以及对开放域信息抽取获得到的知识进行筛选过滤,保障知识质量。关系推理技术已经是推动知识图谱发展的主要技术之一,越来越受到人们重视。本文的主要研究内容是基于知识图谱的关系推理算法,通过对近年来国内外关系推理算法深入调研,对传统的知识表示学习算法和较新的机器学习算法进行分析总结。本文的工作重点主要是针对机器学习算法及其应用的研究,主要贡献如下:1.通过研究发现目前工作中建模多关系图的算法大都存在参数化过度的问题,并且仅限于学习节点的表示,本文提出了一种在图卷积网络框架下,基于节点关系融合感知(Node-Relation Fusion Perception,NRFP)的知识图嵌入算法,利用组合算子将节点和关系共同嵌入关系图中,同时为不同的边类型分别定义了滤波器,提高了模型利用中心节点邻域信息的能力,增强了知识图嵌入模型的推理性能。最后,通过实体分类和链接预测实验,证明了该模型的有效性。2.为了验证知识图谱在知识推理中起到的重要作用,本文提出了一种基于图卷积网络的生成特定知识的模型GCN-Bi LSTM,利用图卷积网络和双向长短时记忆网络提取特征信息,最后生成基于特定标题的摘要知识。通过实验结果对比发现,利用知识图提取特征的方法在周围邻域中对节点进行编码时,能够考量更多的结构信息,更好地帮助生成标题指定的摘要知识,且生成摘要的质量要优于对比模型,在一定程度上满足了学术论文的摘要要求。
基于知识图谱的关系推理算法研究
这是一篇关于知识图谱,关系推理,知识图嵌入,知识表示学习,图卷积网络的论文, 主要内容为自谷歌发布基于知识图谱(Knowledge Graph,KG)的搜索引擎产品Knowledge Vault以来,微软Satori、搜狗知立方、百度知心等产品也紧随其后,知识图谱在行业内和学术界普遍引起关注。知识图谱利用实体和关系将客观世界中的对象以及它们的属性关系显现出来,为互联网中庞大的非结构化信息提供了一种行之有效的处理方式,通过知识抽取、知识表示和知识融合等一系列过程对开放域信息组织管理、消歧整合和推理更新,使得网络信息整理的智能化水平逐步提高。然而受到现阶段开放域信息抽取技术发展不足和公开数据源知识缺失的影响,知识的不完整性已经成为限制知识图谱和下游应用发展的主要原因。关系推理技术是根据知识图谱中已经存在的知识,通过推理实体间的属性和关系,来获得新的知识。依靠知识图谱的关系推理技术,可以对知识图谱进行补充完善,以及对开放域信息抽取获得到的知识进行筛选过滤,保障知识质量。关系推理技术已经是推动知识图谱发展的主要技术之一,越来越受到人们重视。本文的主要研究内容是基于知识图谱的关系推理算法,通过对近年来国内外关系推理算法深入调研,对传统的知识表示学习算法和较新的机器学习算法进行分析总结。本文的工作重点主要是针对机器学习算法及其应用的研究,主要贡献如下:1.通过研究发现目前工作中建模多关系图的算法大都存在参数化过度的问题,并且仅限于学习节点的表示,本文提出了一种在图卷积网络框架下,基于节点关系融合感知(Node-Relation Fusion Perception,NRFP)的知识图嵌入算法,利用组合算子将节点和关系共同嵌入关系图中,同时为不同的边类型分别定义了滤波器,提高了模型利用中心节点邻域信息的能力,增强了知识图嵌入模型的推理性能。最后,通过实体分类和链接预测实验,证明了该模型的有效性。2.为了验证知识图谱在知识推理中起到的重要作用,本文提出了一种基于图卷积网络的生成特定知识的模型GCN-Bi LSTM,利用图卷积网络和双向长短时记忆网络提取特征信息,最后生成基于特定标题的摘要知识。通过实验结果对比发现,利用知识图提取特征的方法在周围邻域中对节点进行编码时,能够考量更多的结构信息,更好地帮助生成标题指定的摘要知识,且生成摘要的质量要优于对比模型,在一定程度上满足了学术论文的摘要要求。
融合知识图谱特征学习的协同过滤推荐系统设计与实现
这是一篇关于推荐系统,协同过滤,隐式反馈,知识图嵌入,联合学习的论文, 主要内容为随着大数据时代的到来,网络上的信息量以近乎指数级别的方式飞速增长,使用户淹没在无尽的产品、新闻和电影等信息洪流之中。推荐系统以用户的历史交互数据为基础,为用户提供个性化的推荐服务,已成为解决信息过载问题中不可或缺的重要工具。然而,传统的协同过滤推荐算法仅依赖用户的非结构化数据,存在数据稀疏性问题。为解决这一问题,许多推荐算法开始使用结构化知识图谱数据作为辅助信息以生成更加准确的推荐结果。本文主要阐述了基于知识图嵌入的协同过滤推荐系统所涉及的相关技术原理,着重对知识图谱辅助的隐式反馈推荐算法进行了讨论,并针对知识图谱语义特征提取方面存在的缺点和不足,对传统的知识图嵌入算法进行了改进和优化,最终实现了融合知识图谱的协同过滤推荐系统。主要工作如下:(1)对近年来与推荐系统相关的技术研究进行了系统地文献综述,特别是基于知识图谱辅助推荐的各项研究。对基于知识图谱辅助的协同过滤推荐中所涉及的隐式反馈数据建模、知识图嵌入技术进行了总结,并对其中包含的相关算法进行了分析和对比。(2)针对结构化知识获取和项目语义特征提取两个关键问题以及协同过滤算法所面临的稀疏性问题,提出了一种基于知识图嵌入的协同过滤推荐算法(KGECF)。该算法首先从Freebase知识图谱中提取与项目相关的知识信息,并与历史交互项目进行链接,构建子知识库;然后通过基于Trans R的Xavier-Trans R方法得到子知识库中实体、关系表征;设计一种端到端的联合学习模型,将结构化信息与历史偏好信息嵌入到统一的向量空间中;最后利用协同过滤方法进一步计算这些向量并生成精确的推荐列表。(3)在Movielens-1M和Amazon-Book两个公开数据集上对所提出的算法进行了实验分析,结果表明该算法在推荐准确率、召回率、F1值和NDCG四个指标上均优于基线方法,能够集成大规模的结构化和非结构化数据,同时获得高精度的推荐结果。(4)设计并实现了融合知识图谱的协同过滤推荐系统,其中使用Neo4j图数据库进行知识子图的构建,使用Python进行系统交互界面的搭建。
基于知识图谱的推荐算法研究
这是一篇关于推荐系统,知识图嵌入,多模态信息,特征交叉的论文, 主要内容为随着技术革命和工业变革的加速推进,信息呈现爆炸式的增长。推荐系统的诞生,为信息爆炸问题的解决提供了强有力的工具。它仅通过分析用户的历史行为,就可以为用户推送可能感兴趣的信息,这在一定程度上帮助用户节省了寻找信息的时间。推荐系统中,因子分解机等推荐算法对不同特征进行交叉组合,孤立地对待每一用户-物品交互信息,即无法显式地利用用户与用户之间、物品与物品之间隐含的关联。这导致得到的特征嵌入不是最优的,无法克服物品冷启动问题。因此,本文提出基于多模态知识图嵌入的神经因子分解机(MKGNFM),模型由多模态知识图嵌入部分和推荐部分组成,采用联合训练的方式,将多模态特征输入到下游推荐任务中,预测用户-物品交互概率。多模态知识图嵌入部分旨在获取丰富的特征嵌入,克服特征交叉模型孤立对待样本问题。首先针对结构化知识,本文采用知识图嵌入模型Hole,在取得实体和关系嵌入的同时,保留知识图谱中的结构信息。其次,考虑到多模态知识图中数据类型的多样性,本文基于Glove算法训练得到的词向量,采用SIF算法计算语料库中句子词向量的加权平均数,并以此作为文本知识嵌入特征。推荐部分采用神经因子分解机模型,它兼具因子分解机模型二阶交叉线性和深度神经网络高阶交叉非线性优势,其特征交叉池化层可以很好地集成多模态知识图嵌入部分生成的两种模态特征。为了验证模型的有效性,本文结合Movie Lens-1M数据集和IMDB网站上爬取的电影简介信息对推荐算法进行实证研究。分别进行了MKGNFM模型与基线模型的对比试验、不同模态数据对推荐结果影响的消融试验以及模型推荐模块的超参数试验。本文采用ROC-AUC和PR-AUC作为评价指标,试验结果表明MKGNFM模型超越了一般基线模型,多模态知识图信息的嵌入在一定程度上提升了特征交叉模型的效果,模型的架构具备一定的合理性和可行性,模型对推荐系统性能的提升是有效的。
基于知识图谱的关系推理算法研究
这是一篇关于知识图谱,关系推理,知识图嵌入,知识表示学习,图卷积网络的论文, 主要内容为自谷歌发布基于知识图谱(Knowledge Graph,KG)的搜索引擎产品Knowledge Vault以来,微软Satori、搜狗知立方、百度知心等产品也紧随其后,知识图谱在行业内和学术界普遍引起关注。知识图谱利用实体和关系将客观世界中的对象以及它们的属性关系显现出来,为互联网中庞大的非结构化信息提供了一种行之有效的处理方式,通过知识抽取、知识表示和知识融合等一系列过程对开放域信息组织管理、消歧整合和推理更新,使得网络信息整理的智能化水平逐步提高。然而受到现阶段开放域信息抽取技术发展不足和公开数据源知识缺失的影响,知识的不完整性已经成为限制知识图谱和下游应用发展的主要原因。关系推理技术是根据知识图谱中已经存在的知识,通过推理实体间的属性和关系,来获得新的知识。依靠知识图谱的关系推理技术,可以对知识图谱进行补充完善,以及对开放域信息抽取获得到的知识进行筛选过滤,保障知识质量。关系推理技术已经是推动知识图谱发展的主要技术之一,越来越受到人们重视。本文的主要研究内容是基于知识图谱的关系推理算法,通过对近年来国内外关系推理算法深入调研,对传统的知识表示学习算法和较新的机器学习算法进行分析总结。本文的工作重点主要是针对机器学习算法及其应用的研究,主要贡献如下:1.通过研究发现目前工作中建模多关系图的算法大都存在参数化过度的问题,并且仅限于学习节点的表示,本文提出了一种在图卷积网络框架下,基于节点关系融合感知(Node-Relation Fusion Perception,NRFP)的知识图嵌入算法,利用组合算子将节点和关系共同嵌入关系图中,同时为不同的边类型分别定义了滤波器,提高了模型利用中心节点邻域信息的能力,增强了知识图嵌入模型的推理性能。最后,通过实体分类和链接预测实验,证明了该模型的有效性。2.为了验证知识图谱在知识推理中起到的重要作用,本文提出了一种基于图卷积网络的生成特定知识的模型GCN-Bi LSTM,利用图卷积网络和双向长短时记忆网络提取特征信息,最后生成基于特定标题的摘要知识。通过实验结果对比发现,利用知识图提取特征的方法在周围邻域中对节点进行编码时,能够考量更多的结构信息,更好地帮助生成标题指定的摘要知识,且生成摘要的质量要优于对比模型,在一定程度上满足了学术论文的摘要要求。
基于知识图谱的推荐算法研究
这是一篇关于推荐系统,知识图嵌入,多模态信息,特征交叉的论文, 主要内容为随着技术革命和工业变革的加速推进,信息呈现爆炸式的增长。推荐系统的诞生,为信息爆炸问题的解决提供了强有力的工具。它仅通过分析用户的历史行为,就可以为用户推送可能感兴趣的信息,这在一定程度上帮助用户节省了寻找信息的时间。推荐系统中,因子分解机等推荐算法对不同特征进行交叉组合,孤立地对待每一用户-物品交互信息,即无法显式地利用用户与用户之间、物品与物品之间隐含的关联。这导致得到的特征嵌入不是最优的,无法克服物品冷启动问题。因此,本文提出基于多模态知识图嵌入的神经因子分解机(MKGNFM),模型由多模态知识图嵌入部分和推荐部分组成,采用联合训练的方式,将多模态特征输入到下游推荐任务中,预测用户-物品交互概率。多模态知识图嵌入部分旨在获取丰富的特征嵌入,克服特征交叉模型孤立对待样本问题。首先针对结构化知识,本文采用知识图嵌入模型Hole,在取得实体和关系嵌入的同时,保留知识图谱中的结构信息。其次,考虑到多模态知识图中数据类型的多样性,本文基于Glove算法训练得到的词向量,采用SIF算法计算语料库中句子词向量的加权平均数,并以此作为文本知识嵌入特征。推荐部分采用神经因子分解机模型,它兼具因子分解机模型二阶交叉线性和深度神经网络高阶交叉非线性优势,其特征交叉池化层可以很好地集成多模态知识图嵌入部分生成的两种模态特征。为了验证模型的有效性,本文结合Movie Lens-1M数据集和IMDB网站上爬取的电影简介信息对推荐算法进行实证研究。分别进行了MKGNFM模型与基线模型的对比试验、不同模态数据对推荐结果影响的消融试验以及模型推荐模块的超参数试验。本文采用ROC-AUC和PR-AUC作为评价指标,试验结果表明MKGNFM模型超越了一般基线模型,多模态知识图信息的嵌入在一定程度上提升了特征交叉模型的效果,模型的架构具备一定的合理性和可行性,模型对推荐系统性能的提升是有效的。
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：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/56236.html
