基于知识图谱和图神经网络的推荐研究
这是一篇关于推荐系统,图神经网络,知识图谱,高阶关系的论文, 主要内容为随着互联网技术的迅猛发展,全球数字经济急剧膨胀,数据量也以指数级的规模迅猛增长。个性化推荐作为有效过滤信息的方式,逐渐引起研究人员的关注。然而,大多数传统的推荐算法仅仅通过显式反馈或隐式反馈作为输入,容易导致严重的数据稀疏性问题。另一方面,一些传统的推荐方法将用户与物品的每次交互视为一次独立的行为,忽略了物品之间的高阶关系。为了解决上述问题,将知识图谱作为推荐系统的辅助输入是一种有效的解决手段。利用知识图谱进行推荐就是将用户物品交互矩阵与知识图谱联系起来,通过相关技术手段挖掘其蕴含的高阶关系和语义信息,进一步增强推荐系统的性能。针对现有的基于知识图谱的个性化推荐在各种场景下所存在的问题,本文设计更加高效精准的推荐算法以优化用户体验。本文的研究内容总结如下:(1)针对现有的推荐算法无法准确刻画用户对物品的各种关系的重视程度,本文提出了一种基于知识图谱和图注意力机制的推荐算法。本文首先利用关系嵌入向量对知识图谱的语义信息进行建模,对用户表征和关系表征求内积并其作为注意力权重,以刻画用户对物品的不同关系重视程度。进一步地,本文利用图神经网络接收注意力权重并迭代更新物品表征。另外,本文在特定的节点构造一个包含有限领域节点的子图,在子图上迭代聚合实体表征而非全局图。本文所提方法不仅可以捕获用户对物品的各种关系的注意力权重,同时还能显著缓解计算负担。(2)针对图卷积网络的过度平滑问题及应用到推荐系统中存在的用户偏好同质问题,本文提出了一种联合图神经网络和标签传播的推荐模型。具体来说,本文利用图卷积网络构建一个基本的推荐预测模型,然后利用标签传播算法协助模型调整边权值,从而缓解用户偏好同质化问题。进一步地,本文研究标签传播算法与图卷积网络的理论关系,以证明在推荐算法中引入图卷积网络和标签传播的必要性,最后利用标签传播算法(LPA)协助图卷积网络(GCN)训练知识图谱的边权重。此外,本文引入注意力网络捕获用户物品对的注意力权重。实验结果证实本文提出的GCNLP推荐算法的有效性。(3)针对现有的基于图卷积网络的推荐方法面临以下问题:大多数聚合器忽略了知识图谱中的强协同信号,未能提取出有价值的特征;现有的基于图卷积网络的推荐方法没有考虑不同邻域层的重要性,从而对推荐性能产生负面影响。为了解决上述问题,本文提出了一种名为FMA-GCN的新型推荐模型。本文首先在知识图谱中引入固定大小的感受野来控制计算量。接下来,本文精心设计了一种简化版的邻居聚合器来捕获知识图谱中强协同信号。最后,本文设计了一种面向层的消息衡量机制,更精细粒度地衡量各个网络层信息,形成最终的表征。实验结果证明所提算法的有效性。
基于图神经网络的TopN推荐算法的研究
这是一篇关于推荐系统,知识图谱,高阶关系,多行为,注意力机制的论文, 主要内容为随着互联网技术的飞速发展,云计算、大数据、物联网和移动终端设备的普及,互联网上的各种数据层出不穷,引发了数据规模的爆炸式增长。普通用户接收信息的渠道也越来越多,被动地进入了内容过载和数据噪声泛滥的时代。人们在享受信息获取的便捷的同时也深受信息污染的困扰。基于这种情况,推荐系统就应运而生。目前应用最广泛的推荐算法是协同过滤算法。虽然协同过滤算法在多数场景下可以表现出不错的性能,但是其仍然遭受数据稀疏性和冷启动等问题的挑战。图神经网络作为深度学习的一个重要的研究分支,近些年来发展比较迅猛并成为近年来研究的热点。本主要是利用图神经网络来获取用户更多隐藏信息,有效的减缓推荐系统的冷启动和数据稀疏的问题。本文的具体研究内容如下:(1)首先针对传统的协同过滤算法的数据稀疏和冷启动的问题,引入知识图谱和卷积神经网络,在知识图谱中获取用户和项目的高阶关系,减缓数据稀疏和提高推荐系统的精确性。项目及其属性可以映射到知识图谱中,以丰富项目之间的相互关系。此外,用户和用户的交互也可以集成到知识图谱中,这使得用户和项目之间的关系,以及用户偏好,可以更准确地捕捉到。具体而言,该模型采用异构传播策略对两种信息进行显式编码,并应用卷积神经网络对不同的基于知识图谱的邻居的权重进行区分。实验表明,该模型相较于传统的协同过滤算法有明显的提升。在Book-Crossing、Movie Lens-20M和Last.FM三个数据集上相比于最佳基准模型AUC分别提升了3.1%、1.8%和1.0%;F1分别提升了2.7%、1.8%和2.2%。(2)为了进一步挖掘用户的潜在兴趣偏好,引入用户的多行为数据。通过使用图结构来表示用户的多行为数据,充分利用用户的不同行为数据。捕获不同的行为对用户的目标行为的不同影响。这可以减缓用户行为稀疏性的问题。同时还引入注意力机制,来区分不同的行为对目标行为的权重,从而提升推荐系统的性能。实验表明利用用户的多行为数据确实比使用单一行为数据的模型有明显的提升。对比最佳基准在Tmall数据集上平均提升分别为9%和16%;在Beibei数据集上平均提升5%和2%。
基于概念约束的知识图谱补全及其在推荐系统中的应用
这是一篇关于知识图谱,表示学习,推荐算法,约束模型,高阶关系的论文, 主要内容为随着人工智能再次兴起,很多智能技术研究得到了空前发展,存储了人类大量先验知识的知识图谱因其独特的知识结构组织和强大的语义处理能力,在人工智能领域下的众多应用中发挥出的作用愈发强大,而知识图谱本身所广泛存在的数据稀疏问题也随之变得愈发明显和尖锐,因此知识图谱的补全成为了知识图谱技术的热点研究问题。同时推荐系统作为人工智能领域的重要技术也因数据稀疏性和冷启动问题面临着技术瓶颈,通过将可提供丰富的高质量知识的知识图谱作为辅助信息融入其中,成为了推荐系统解决自身局限性的关键技术手段,极大地提高了推荐能力。知识图谱补全任务一直以来都是通过将知识图谱中的实体与关系转换成同一语义空间中低维稠密向量从而得到更好的表示,即表示学习,并且已经取得很大进展,但依然存在以下问题:(1)知识图谱的内部结构信息,例如实体与实体间的层级关系未能得到有效利用;(2)知识图谱的外部多源信息,例如描述文本未能提出有效手段充分发挥其价值。另一方面,基于知识图谱的推荐算法主要研究如何通过结合知识图谱中的知识挖掘出推荐系统中用户与项目自身或彼此间的潜在联系,从而得到更高质量的推荐,如今已作为一个研究热点并取得了很好的效果,但依然存在以下问题:(1)难以有效挖掘并利用知识图谱中的高阶关系(2)缺乏与推荐算法相结合的知识表示方法,增强推荐的可解释性(3)尚未验证补全后的知识图谱对推荐效果的影响。本文针对上述问题,提出了一种新的知识图谱补全模型和基于知识图谱的推荐算法,并提出以端到端为基础的知识表示推荐优化框架KRRO,在补全部分,本文利用了知识图谱的内部和外部信息,区分了带有层级关系的传统三元组,学习了概念对实体的约束信息,三元组的结构信息以及通过本文提出的CNN+RNN混合模型编码的实体描述文本信息的共同表示;在推荐部分,本文将改良的知识图谱表示学习方法抽取出来学习补全后的知识图谱与用户-项目二部图的共同表示,通过GCN和GAT逐层学习获得知识图谱的高阶关系,提高了推荐系统的能力并增强了可解释性。通过相关实验表明,本文所提出的模型拥有更好的能力,在知识图谱补全和推荐算法的多项任务指标中取得很好的效果。
基于图神经网络的TopN推荐算法的研究
这是一篇关于推荐系统,知识图谱,高阶关系,多行为,注意力机制的论文, 主要内容为随着互联网技术的飞速发展,云计算、大数据、物联网和移动终端设备的普及,互联网上的各种数据层出不穷,引发了数据规模的爆炸式增长。普通用户接收信息的渠道也越来越多,被动地进入了内容过载和数据噪声泛滥的时代。人们在享受信息获取的便捷的同时也深受信息污染的困扰。基于这种情况,推荐系统就应运而生。目前应用最广泛的推荐算法是协同过滤算法。虽然协同过滤算法在多数场景下可以表现出不错的性能,但是其仍然遭受数据稀疏性和冷启动等问题的挑战。图神经网络作为深度学习的一个重要的研究分支,近些年来发展比较迅猛并成为近年来研究的热点。本主要是利用图神经网络来获取用户更多隐藏信息,有效的减缓推荐系统的冷启动和数据稀疏的问题。本文的具体研究内容如下:(1)首先针对传统的协同过滤算法的数据稀疏和冷启动的问题,引入知识图谱和卷积神经网络,在知识图谱中获取用户和项目的高阶关系,减缓数据稀疏和提高推荐系统的精确性。项目及其属性可以映射到知识图谱中,以丰富项目之间的相互关系。此外,用户和用户的交互也可以集成到知识图谱中,这使得用户和项目之间的关系,以及用户偏好,可以更准确地捕捉到。具体而言,该模型采用异构传播策略对两种信息进行显式编码,并应用卷积神经网络对不同的基于知识图谱的邻居的权重进行区分。实验表明,该模型相较于传统的协同过滤算法有明显的提升。在Book-Crossing、Movie Lens-20M和Last.FM三个数据集上相比于最佳基准模型AUC分别提升了3.1%、1.8%和1.0%;F1分别提升了2.7%、1.8%和2.2%。(2)为了进一步挖掘用户的潜在兴趣偏好,引入用户的多行为数据。通过使用图结构来表示用户的多行为数据,充分利用用户的不同行为数据。捕获不同的行为对用户的目标行为的不同影响。这可以减缓用户行为稀疏性的问题。同时还引入注意力机制,来区分不同的行为对目标行为的权重,从而提升推荐系统的性能。实验表明利用用户的多行为数据确实比使用单一行为数据的模型有明显的提升。对比最佳基准在Tmall数据集上平均提升分别为9%和16%;在Beibei数据集上平均提升5%和2%。
基于概念约束的知识图谱补全及其在推荐系统中的应用
这是一篇关于知识图谱,表示学习,推荐算法,约束模型,高阶关系的论文, 主要内容为随着人工智能再次兴起,很多智能技术研究得到了空前发展,存储了人类大量先验知识的知识图谱因其独特的知识结构组织和强大的语义处理能力,在人工智能领域下的众多应用中发挥出的作用愈发强大,而知识图谱本身所广泛存在的数据稀疏问题也随之变得愈发明显和尖锐,因此知识图谱的补全成为了知识图谱技术的热点研究问题。同时推荐系统作为人工智能领域的重要技术也因数据稀疏性和冷启动问题面临着技术瓶颈,通过将可提供丰富的高质量知识的知识图谱作为辅助信息融入其中,成为了推荐系统解决自身局限性的关键技术手段,极大地提高了推荐能力。知识图谱补全任务一直以来都是通过将知识图谱中的实体与关系转换成同一语义空间中低维稠密向量从而得到更好的表示,即表示学习,并且已经取得很大进展,但依然存在以下问题:(1)知识图谱的内部结构信息,例如实体与实体间的层级关系未能得到有效利用;(2)知识图谱的外部多源信息,例如描述文本未能提出有效手段充分发挥其价值。另一方面,基于知识图谱的推荐算法主要研究如何通过结合知识图谱中的知识挖掘出推荐系统中用户与项目自身或彼此间的潜在联系,从而得到更高质量的推荐,如今已作为一个研究热点并取得了很好的效果,但依然存在以下问题:(1)难以有效挖掘并利用知识图谱中的高阶关系(2)缺乏与推荐算法相结合的知识表示方法,增强推荐的可解释性(3)尚未验证补全后的知识图谱对推荐效果的影响。本文针对上述问题,提出了一种新的知识图谱补全模型和基于知识图谱的推荐算法,并提出以端到端为基础的知识表示推荐优化框架KRRO,在补全部分,本文利用了知识图谱的内部和外部信息,区分了带有层级关系的传统三元组,学习了概念对实体的约束信息,三元组的结构信息以及通过本文提出的CNN+RNN混合模型编码的实体描述文本信息的共同表示;在推荐部分,本文将改良的知识图谱表示学习方法抽取出来学习补全后的知识图谱与用户-项目二部图的共同表示,通过GCN和GAT逐层学习获得知识图谱的高阶关系,提高了推荐系统的能力并增强了可解释性。通过相关实验表明,本文所提出的模型拥有更好的能力,在知识图谱补全和推荐算法的多项任务指标中取得很好的效果。
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：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/56242.html
