基于相似度的电影推荐算法研究
这是一篇关于推荐系统,知识图谱,贝叶斯推荐算法,图注意网络的论文, 主要内容为随着科技的飞速发展和网民数量的激增,信息爆炸的问题变得越来越严重。对于商家而言,面对暴涨的用户与内容量,获取用户偏好信息实现个性化推荐减少用户流失。因评价数据量太少,从而导致数据稀疏和冷启动的问题。为了解决上述问题,引入辅助信息作为当前在推荐系统中研究热点。通过增加用户与项目交互数、项目之间属性数据,以及社交网络、用户特征、情感分析以及上下文内容等与推荐系统相结合。其中,知识图谱作为图结构,具有丰富的结构信息与语义信息,将图谱与辅助信息相结合,从而提升推荐系统性能。因此,本文将知识图谱与贝叶斯推荐算法、图注意力网络相结合提出基于相似度的推荐系统。本文结合目前推荐系统中最新研究动态,针对目前存在的算法进行改进与实验。本文的研究内容如下:(1)本文提出了知识图谱与贝叶斯推荐算法融合推荐模型。知识图谱可以缓解数据稀疏问题,在知识图谱中加入涟漪的思想,通过在知识图谱上传播,获得用户偏好集合。通过贝叶斯推荐算法得到用户偏好。将两种算法融合得到TOP-K推荐,最后通过与对比基线实验证明该算法有较好的推荐性能。(2)为了改善目前对于图谱中信息利用不全面的问题,本文提出了基于知识图谱的图注意力推荐算法。在本算法中使用用户相似集-电影知识图谱作为推荐系统中的关系信息,与节点与邻居节点聚合信息相结合,加入不同注意力权重信息,通过聚合得到向量表示,从而可以有效利用图谱中高阶信息。最后,通过与基线实验证对比证明该算法有较好的推荐性能。
基于相似度的电影推荐算法研究
这是一篇关于推荐系统,知识图谱,贝叶斯推荐算法,图注意网络的论文, 主要内容为随着科技的飞速发展和网民数量的激增,信息爆炸的问题变得越来越严重。对于商家而言,面对暴涨的用户与内容量,获取用户偏好信息实现个性化推荐减少用户流失。因评价数据量太少,从而导致数据稀疏和冷启动的问题。为了解决上述问题,引入辅助信息作为当前在推荐系统中研究热点。通过增加用户与项目交互数、项目之间属性数据,以及社交网络、用户特征、情感分析以及上下文内容等与推荐系统相结合。其中,知识图谱作为图结构,具有丰富的结构信息与语义信息,将图谱与辅助信息相结合,从而提升推荐系统性能。因此,本文将知识图谱与贝叶斯推荐算法、图注意力网络相结合提出基于相似度的推荐系统。本文结合目前推荐系统中最新研究动态,针对目前存在的算法进行改进与实验。本文的研究内容如下:(1)本文提出了知识图谱与贝叶斯推荐算法融合推荐模型。知识图谱可以缓解数据稀疏问题,在知识图谱中加入涟漪的思想,通过在知识图谱上传播,获得用户偏好集合。通过贝叶斯推荐算法得到用户偏好。将两种算法融合得到TOP-K推荐,最后通过与对比基线实验证明该算法有较好的推荐性能。(2)为了改善目前对于图谱中信息利用不全面的问题,本文提出了基于知识图谱的图注意力推荐算法。在本算法中使用用户相似集-电影知识图谱作为推荐系统中的关系信息,与节点与邻居节点聚合信息相结合,加入不同注意力权重信息,通过聚合得到向量表示,从而可以有效利用图谱中高阶信息。最后,通过与基线实验证对比证明该算法有较好的推荐性能。
少样本条件下知识图谱推理问题研究
这是一篇关于少样本,知识图谱推理,图注意网络,Transformer,注意力机制的论文, 主要内容为在大数据飞速发展的时代,各类数据信息激增,使得以网络结构表示实体之间信息交互的知识图谱成为研究热点。知识图谱以三元组的形式表示现实世界的客观事实,但来源于各类百科知识的知识图谱往往都是不完整的,存在大量隐含实体和关系缺失的现象。由此,知识图谱推理算法被广泛应用于对不完整的知识图谱进行补全的问题研究。现有的知识图谱推理方法通常需要为每个关系提供大量的训练三元组实例,但事实上很多关系只有很少量的训练样本,这使得传统方法在训练过程中容易产生过拟合问题。因此为解决过拟合问题,少样本条件下基于知识图谱推理的知识图谱补全方法亟待研究,本文主要研究内容如下:(1)基于图注意网络和Transformer的知识图谱表示方法。该方法获得全局-局部信息的融合表示后,再结合上下文信息进行编码表示,解决少样本条件下容易过拟合的问题。具体地,先通过一个图注意网络编码参考集关系-实体对在全局知识图谱中的一般表示;在局部编码阶段获取参考集三元组的邻居结构表示,并通过级联方式获得全局-局部信息的融合编码表示。接下来,将融合后的表示输入Transformer编码器中捕捉实体对及关系的上下文含义,获得实体对的表达。最后通过一个由门控循环单元组成的匹配度量模块,从编码器模块获取参考、查询集中任意两个实体对的向量表示,然后在两个实体对之间进行多步匹配并输出相似度得分。(2)基于注意力机制的关系感知知识图谱表示方法。该方法通过参数生成模块获得特定于某关系的可学习参数,有效提高训练样本的表达能力。具体地,模型首先获得参考集三元组的一跳邻居结构图,并使用预训练模型得到邻居信息的初始嵌入。由于传统加性知识图谱特征表示方法同时对实体和关系同时进行加性连接操作存在局限性,在这里只对头尾实体的嵌入表示进行连接操作。对于关系嵌入表示则采用一个上下文参数生成模块对关系进行操作处理,得到特定于参考查询关系的可学习参数。在关系感知的编码器模块中,得到特定于参考查询关系的实体对表示。最后,通过基于注意力机制的自适应匹配度量模块,对参考集与查询集表示进行相似度打分。本文对以上两种方法在公开数据集NELL和Wiki中进行了链接预测实验验证,并与相关先进模型进行对比。实验结果表明,本文方法在链接预测任务中有较好的表现,能很好的完成少样本知识图谱推理任务。
少样本条件下知识图谱推理问题研究
这是一篇关于少样本,知识图谱推理,图注意网络,Transformer,注意力机制的论文, 主要内容为在大数据飞速发展的时代,各类数据信息激增,使得以网络结构表示实体之间信息交互的知识图谱成为研究热点。知识图谱以三元组的形式表示现实世界的客观事实,但来源于各类百科知识的知识图谱往往都是不完整的,存在大量隐含实体和关系缺失的现象。由此,知识图谱推理算法被广泛应用于对不完整的知识图谱进行补全的问题研究。现有的知识图谱推理方法通常需要为每个关系提供大量的训练三元组实例,但事实上很多关系只有很少量的训练样本,这使得传统方法在训练过程中容易产生过拟合问题。因此为解决过拟合问题,少样本条件下基于知识图谱推理的知识图谱补全方法亟待研究,本文主要研究内容如下:(1)基于图注意网络和Transformer的知识图谱表示方法。该方法获得全局-局部信息的融合表示后,再结合上下文信息进行编码表示,解决少样本条件下容易过拟合的问题。具体地,先通过一个图注意网络编码参考集关系-实体对在全局知识图谱中的一般表示;在局部编码阶段获取参考集三元组的邻居结构表示,并通过级联方式获得全局-局部信息的融合编码表示。接下来,将融合后的表示输入Transformer编码器中捕捉实体对及关系的上下文含义,获得实体对的表达。最后通过一个由门控循环单元组成的匹配度量模块,从编码器模块获取参考、查询集中任意两个实体对的向量表示,然后在两个实体对之间进行多步匹配并输出相似度得分。(2)基于注意力机制的关系感知知识图谱表示方法。该方法通过参数生成模块获得特定于某关系的可学习参数,有效提高训练样本的表达能力。具体地,模型首先获得参考集三元组的一跳邻居结构图,并使用预训练模型得到邻居信息的初始嵌入。由于传统加性知识图谱特征表示方法同时对实体和关系同时进行加性连接操作存在局限性,在这里只对头尾实体的嵌入表示进行连接操作。对于关系嵌入表示则采用一个上下文参数生成模块对关系进行操作处理,得到特定于参考查询关系的可学习参数。在关系感知的编码器模块中,得到特定于参考查询关系的实体对表示。最后,通过基于注意力机制的自适应匹配度量模块,对参考集与查询集表示进行相似度打分。本文对以上两种方法在公开数据集NELL和Wiki中进行了链接预测实验验证,并与相关先进模型进行对比。实验结果表明,本文方法在链接预测任务中有较好的表现,能很好的完成少样本知识图谱推理任务。
少样本条件下知识图谱推理问题研究
这是一篇关于少样本,知识图谱推理,图注意网络,Transformer,注意力机制的论文, 主要内容为在大数据飞速发展的时代,各类数据信息激增,使得以网络结构表示实体之间信息交互的知识图谱成为研究热点。知识图谱以三元组的形式表示现实世界的客观事实,但来源于各类百科知识的知识图谱往往都是不完整的,存在大量隐含实体和关系缺失的现象。由此,知识图谱推理算法被广泛应用于对不完整的知识图谱进行补全的问题研究。现有的知识图谱推理方法通常需要为每个关系提供大量的训练三元组实例,但事实上很多关系只有很少量的训练样本,这使得传统方法在训练过程中容易产生过拟合问题。因此为解决过拟合问题,少样本条件下基于知识图谱推理的知识图谱补全方法亟待研究,本文主要研究内容如下:(1)基于图注意网络和Transformer的知识图谱表示方法。该方法获得全局-局部信息的融合表示后,再结合上下文信息进行编码表示,解决少样本条件下容易过拟合的问题。具体地,先通过一个图注意网络编码参考集关系-实体对在全局知识图谱中的一般表示;在局部编码阶段获取参考集三元组的邻居结构表示,并通过级联方式获得全局-局部信息的融合编码表示。接下来,将融合后的表示输入Transformer编码器中捕捉实体对及关系的上下文含义,获得实体对的表达。最后通过一个由门控循环单元组成的匹配度量模块,从编码器模块获取参考、查询集中任意两个实体对的向量表示,然后在两个实体对之间进行多步匹配并输出相似度得分。(2)基于注意力机制的关系感知知识图谱表示方法。该方法通过参数生成模块获得特定于某关系的可学习参数,有效提高训练样本的表达能力。具体地,模型首先获得参考集三元组的一跳邻居结构图,并使用预训练模型得到邻居信息的初始嵌入。由于传统加性知识图谱特征表示方法同时对实体和关系同时进行加性连接操作存在局限性,在这里只对头尾实体的嵌入表示进行连接操作。对于关系嵌入表示则采用一个上下文参数生成模块对关系进行操作处理,得到特定于参考查询关系的可学习参数。在关系感知的编码器模块中,得到特定于参考查询关系的实体对表示。最后,通过基于注意力机制的自适应匹配度量模块,对参考集与查询集表示进行相似度打分。本文对以上两种方法在公开数据集NELL和Wiki中进行了链接预测实验验证,并与相关先进模型进行对比。实验结果表明,本文方法在链接预测任务中有较好的表现,能很好的完成少样本知识图谱推理任务。
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：毕设工厂 ，原文地址：https://m.bishedaima.com/lunwen/56280.html
