CN114491055A - 基于知识图谱的推荐算法 - Google Patents
基于知识图谱的推荐算法 Download PDFInfo
- Publication number
- CN114491055A CN114491055A CN202111507616.4A CN202111507616A CN114491055A CN 114491055 A CN114491055 A CN 114491055A CN 202111507616 A CN202111507616 A CN 202111507616A CN 114491055 A CN114491055 A CN 114491055A
- Authority
- CN
- China
- Prior art keywords
- node
- knowledge
- nodes
- user
- graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000006116 polymerization reaction Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 239000012467 final product Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 14
- 238000001228 spectrum Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的推荐算法,包含:基于应用场景构建知识图谱;基于GNN构建KGRN模型;将知识图谱输入KGRN模型得到嵌入向量并根据嵌入向量输出表达用户对物品的喜好程度的推荐指标;根据推荐指标向用户进行推荐操作。本发明的基于知识图谱的推荐算法,通过知识图谱与推荐***融合的方式,来增强推荐性能。又将节点的嵌入向量引入点击率预估模型,从而进一步提升了推荐效果。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种基于知识图谱的推荐算法。
背景技术
传统的推荐算法主要分为三大类别,分为基于内容的推荐算法、基于协同过滤的推荐算 法和混合推荐算法。基于协同过滤的推荐算法利用用户和物品历史的反馈数据,挖掘用户和物 品本身的相关联性,并基于此进行推荐。这类算法具有领域无关的特性,因此被广泛应用。但 是,协同过滤算法具有数据稀疏性和冷启动问题。基于内容的推荐算法可以有效地缓解冷启 动问题,通过为新物品的内容构建画像来解决新物品的冷启动问题。但是对于新用户,依然 存在冷启动的问题,并且需要复杂的特征工程构造物品属性的特征。混合推荐算法综合考虑 用户和物品的各个方面,主要是对协同过滤算法和基于内容的推荐算法的各种灵活组合,推 荐性能也是以上方法的折中。
传统的推荐算法一直面临着一些严峻的问题,包括用户–物品的交互数据稀疏问题和冷 启动问题,会导致推荐结果不准确。随着微软的Deep Crossing、谷歌的Wide&Deep,以及PNN[7] 等一大批优秀的深度学习推荐模型在2016年被提出,推荐***全面进入深度学习时代。与传 统的机器学习模型相比,深度学习模型的表达能力更强,且可以融入更多的用户与物品特征 来提升推荐质量。
知识图谱是一种信息异构网络,包含节点(实体)与有向边(关系),因而蕴含了推荐 ***中对于物品的大量背景信息,以及物品之间的关系,并且它可以与用户行为数据构成的用 户物品交互图集成起来,从而扩展了用户与商品之间存在的隐藏的关联关系,补充了用户与物 品交互数据,因此可以更进一步地提升推荐效果。
发明内容
本发明提供了一种基于知识图谱的推荐算法,解决了传统的推荐算法由于交互数据稀疏 和冷启动从而导致推荐结果不准确的问题。采用如下的技术方案:
一种基于知识图谱的推荐算法,包含以下步骤:
基于应用场景构建知识图谱;
基于GNN构建KGRN模型;
将知识图谱输入KGRN模型得到嵌入向量并根据嵌入向量输出表达用户对物品的喜好程 度的推荐指标;
根据推荐指标向用户进行推荐操作。
进一步地,基于应用场景构建知识图谱的具体方法为:
将用户与物品交互行为和物品属性统一起来构成一个异构的知识图谱,其中,用户节点 集合为U,物品节点集合为I,属性节点集合为E,关系集合R={ri|i≥0},r0表示用户节点 与物品节点之间的正反馈关系,ri表示物品节点与属性节点之间的关系。
进一步地,KGRN模型基于GAT。
进一步地,KGRN模型包含:嵌入向量初始化模块、GAT模块和点击率预测模块。
进一步地,KGRN模型对知识图谱进行处理的具体方法为:
通过嵌入向量初始化模块对知识图谱进行向量初始化;
通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱进行信息传播和聚合得到嵌 入向量;
通过点击率预测模块对GAT模块处理后得到的嵌入向量进行处理得到推荐指标。
进一步地,通过嵌入向量初始化模块对知识图谱进行向量初始化的具体方法为:
嵌入向量初始化模块通过TransR算法对知识图谱进行向量初始化。
进一步地,GAT模块对知识图谱的用户节点和物品节点采用不同的嵌入方式进行信息传 播和聚合。
进一步地,通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱进行信息传播和 聚合的具体方法为:
对于用户节点u,其相邻的物品节点的集合为Ni,
其中,α(u,i)为物品节点i到用户节点u的传播系数,
对于物品节点i,其相邻的用户节点集合为Nui,
其中,α(i,u)为用户节点u到物品节点i的传播系数,
对于物品节点i,其相邻的属性节点集合为Nri,
α(i,e)为属性节点e到物品节点i的传播系数,
其中β(i,r)为物品节点i到属性节点e的传播系数。
进一步地,点击率预测模块包含多层残差网络模型和NCF模型中的一种。
本发明的有益之处在于所提供的基于知识图谱的推荐算法,通过知识图谱与推荐***融 合的方式,来增强推荐性能。又将节点的嵌入向量引入点击率预估模型,从而进一步提升了 推荐效果。
附图说明
图1是本发明的推荐场景下的知识图谱的示意图;
图2是本发明的GTA模型的用户节点的前向传播过程的示意图;
图3是本发明的物品节点的信息聚合过程的示意图;
图4是本发明的完整的模型的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
本申请公开了一种基于知识图谱的推荐算法,包含以下步骤:基于应用场景构建知识图 谱;基于GNN构建KGRN模型;将知识图谱输入KGRN模型得到嵌入向量并根据嵌入向量输出 表达用户对物品的喜好程度的推荐指标;根据推荐指标向用户进行推荐操作。本申请的基于 知识图谱的推荐算法,根据推荐的具体场景构建高质量的知识图谱。获得该推荐场景下的用 户与物品交互的历史数据、用户的相关信息以及物品的相关属性之后,我们进行知识抽取, 得到实体以及实体间的关系,构成知识图谱。然后,基于图神经网络(GNN)构建知识图谱关 系网络(KGRN)模型,获得用户与物品的嵌入向量,进而得到每个用户相应的物品推荐列表, 即推荐指标。整个过程中,进一步优化了原有的GNN模型,并将关系信息融入模型,提升了 节点嵌入向量的质量,又将节点的嵌入向量引入点击率(CTR)预估模型来提升推荐效果。以 下具体介绍上述步骤。
基于应用场景构建知识图谱的具体方法为:
将用户与物品交互行为和物品属性统一起来构成一个异构的知识图谱。如图1所示的, 其中,用户节点集合为U,物品节点集合为I,属性节点集合为E,关系集合R={ri|i≥0}, r0表示用户节点与物品节点之间的正反馈关系,ri表示物品节点与属性节点之间的关系。利 用图嵌入的方法对知识图谱的实体和关系进行向量表示,进而扩充原有物品和用户的特征信 息。得到嵌入向量后,通过点击率预测模型对其进行处理,得到表达用户对物品的喜好程度 的推荐指标。
本申请中,基于图注意力网络(GAT)来实现KGRN模型。图嵌入的目标是得到图谱中所 有节点的低维向量表示N为图中节点数目,d为向量维度。具体而言,KGRN模型包含:嵌入向量初始化模块、GAT模块和预测模块。模型的输入为整张知识图谱G,输出为 用户u对物品i的喜爱值预测。
作为一种优选的实施方式,KGRN模型对知识图谱进行处理的具体方法为:通过嵌入向量 初始化模块对知识图谱进行向量初始化;通过GAT模块通过图嵌入的方式对向量初始化后的 知识图谱进行信息传播和聚合得到嵌入向量;通过预测模块对GAT模块处理后得到的嵌入向 量进行处理得到推荐指标。
其中,通过嵌入向量初始化模块对知识图谱进行向量初始化的具体方法为:嵌入向量初 始化模块通过TransR算法对知识图谱进行向量初始化。知识图谱G中的各个节点需要先经过 初始向量化再输入到GAT模型中进行信息的传播和聚合。本申请中,我们采用TransR算法进 行向量初始化得到H(0)。TransR算法是将实体和关系分别映射到两个空间中,而后将实体空 间中的实体经过转移矩阵转移到关系空间中进行向量表示。TransR的优化目标是让图中已存 在的直接连接的两个节点向量化后更为接近。
作为一种优选的实施方式,GAT模块对知识图谱的用户节点和物品节点采用不同的嵌入 方式进行信息传播和聚合。
传统的GAT模型将所有节点看成一类节点,各个节点之间的信息传播和聚合是相同的。 而本申请中,对用户节点u和物品节点i的嵌入方式进行不同的处理。因为用户节点的邻居都 是物品节点,两者之间的连接只有正反馈这一种关系。而物品节点与属性节点的关系有多种, 所有需要对这两类节点进行不同的处理。用户节点的初始化向量为经过l层GAT后的向 量为
作为一种优选的实施方式,通过GAT模块通过图嵌入的方式对向量初始化后的知识图谱 进行信息传播和聚合的具体方法为:
其中,α(u,i)为物品节点i到用户节点u的传播系数,通过设置传播系数,引入了注意力 机制,传播系数用来衡量节点对之间信息传递的重要程度,系数越大,从该节点传递到目标 节点的信息就重要。物品节点i到用户节点u的传播系数α(u,i)通过下式计算:
其中,为所有节点共享的参数矩阵,它们构成单层的Attention网 络。邻居节点信息和用户节点u的用户节点信息hu需要进行聚合。在本申请中,采用GraphSage中的聚合方法。具体的,通过下式将其邻居节点信息和自身的用户节点信息hu进行聚合,
对于物品节点i,其相邻的用户节点集合为Nui
其中,α(i,u)为用户节点u到物品节点i的传播系数,
α(i,u)与α(u,i)的参数相同,即a,W为所有节点共享的参数矩阵。
对于物品节点i,其相邻的属性节点集合为Nri,
α(i,e)为属性节点e到物品节点i的传播系数,
其中β(i,r)为物品节点i到属性节点e的传播系数,
其中,使用了新的参数a1和W2进行计算。
对于点击率预测模块,目前基于图神经网络的图谱推荐工作在得到图谱中所有节点的嵌 入向量表示后,都是直接通过计算内积的方式得到推荐指标。然而,这种预估模型过于简单, 缺少特征的充分交叉。在本申请中,如图4所示,将图神经网络作为嵌入层,其得到的嵌入 向量作为后续的预估模型的输入。即,将GAT模块的输入作为后续点击率预测模块的输入。 点击率预估模块的输出用户对物品的喜好,作为推荐指标。
点击率预测模块可以采用两种方式,分别是多层残差网络(ResNet)模型以及NCF模型。 通过点击率预估模型对特征向量的各个维度进行充分的交叉组合,使得模型能够抓取到更多 的非线性特征和组合特征的信息,进而得到更为准确有效的推荐指标。最后再根据推荐指标 向用户进行准确有效的推荐。
KGRN模型的损失函数为:
其中O={(u,i,j)∣(u,i)∈R+,(u,j)∈R-}为训练集,R+中的用户节点u和物品节点i在知识图谱 G中直接连接,R-中的用户节点u和物品节点j在知识图谱G中无直接连接,R-通过在负样 本中随机采样获得。最小化损失函数的意义是让有直接连接的节点向量表示尽可能接近的同 时,无直接连接的节点向量表示差异尽可能大。整个模型的训练参数为
在三个不同场景下的公开数据集上测试我们的方法。如表1所示,每个数据集包含用户、 物品以及属性的数目,用户与物品、物品与属性之间的连接信息。
表1:测试数据集
在表1所示的三个数据集上验证我们方法的有效性。以Last-FM为例,该数据集是一张 包含13万个节点和350万条连接的知识图谱。我们通过边采样将80%的数据作为训练集,20% 作为测试集。采用Adam优化器优化网络,初始学习率为0.0001,批量大小为1024,KGRN的 层数为3层,采用TransR来初始化节点的嵌入向量,点击率预估模块分别采用残差网络和多 层感知机实现,层数均为三层。为了测试方法的有效性,我们在测试集上和传统的方法MF、 FM、NFM以及较为先进的KGAT[进行了对比。
采用recall@20和ndcg两种指标来测试我们的方法。recall@20为推荐20个物品召回 率,即我们正确推荐的物品数量占用户总的浏览的或喜欢的物品数量的比重。ndcg是归一化 折损累计增益。recall@20和ndcg的值越大,说明推荐的效果越好。
表2:测试结果
实验结果如表2所示。从测试结果可以看出,本申请的方法相比传统推荐算法(MF、FM、 NFM)性能提升非常明显。与同样使用图注意力网络GAT的KAGT相比,整体也有5%左右的提 升。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解, 上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案, 均落在本发明的保护范围内。
Claims (10)
1.一种基于知识图谱的推荐算法,其特征在于,包含以下步骤:
基于应用场景构建知识图谱;
基于GNN构建KGRN模型;
将所述知识图谱输入所述KGRN模型得到嵌入向量并根据所述嵌入向量输出表达用户对物品的喜好程度的推荐指标;
根据所述推荐指标向用户进行推荐操作。
2.根据权利要求1所述的基于知识图谱的推荐算法,其特征在于,
基于应用场景构建知识图谱的具体方法为:
将用户与物品交互行为和物品属性统一起来构成一个异构的知识图谱,其中,用户节点集合为U,物品节点集合为I,属性节点集合为E,关系集合R={ri|i≥0},r0表示用户节点与物品节点之间的正反馈关系,ri表示物品节点与属性节点之间的关系。
3.根据权利要求2所述的基于知识图谱的推荐算法,其特征在于,
所述KGRN模型基于GAT。
4.根据权利要求3所述的基于知识图谱的推荐算法,其特征在于,
所述KGRN模型包含:嵌入向量初始化模块、GAT模块和点击率预测模块。
5.根据权利要求4所述的基于知识图谱的推荐算法,其特征在于,
所述KGRN模型对所述知识图谱进行处理的具体方法为:
通过所述嵌入向量初始化模块对所述知识图谱进行向量初始化;
通过所述GAT模块通过图嵌入的方式对向量初始化后的所述知识图谱进行信息传播和聚合得到所述嵌入向量;
通过所述点击率预测模块对所述GAT模块处理后得到的嵌入向量进行处理得到所述推荐指标。
6.根据权利要求5所述的基于知识图谱的推荐算法,其特征在于,
通过所述嵌入向量初始化模块对所述知识图谱进行向量初始化的具体方法为:
所述嵌入向量初始化模块通过TransR算法对所述知识图谱进行向量初始化。
7.根据权利要求6所述的基于知识图谱的推荐算法,其特征在于,
所述GAT模块对所述知识图谱所述知识图谱的用户节点和物品节点采用不同的嵌入方式进行信息传播和聚合。
8.根据权利要求7所述的基于知识图谱的推荐算法,其特征在于,
所述通过所述GAT模块通过图嵌入的方式对向量初始化后的所述知识图谱进行信息传播和聚合的具体方法为:
对于用户节点u,其相邻的物品节点的集合为Ni,
其中,α(u,i)为物品节点i到用户节点u的传播系数,
对于物品节点i,其相邻的用户节点集合为Nui,
其中,α(i,u)为用户节点u到物品节点i的传播系数,
对于物品节点i,其相邻的属性节点集合为Nri,
α(i,e)为属性节点e到物品节点i的传播系数,
其中β(i,r)为物品节点i到属性节点e的传播系数。
9.根据权利要求8所述的基于知识图谱的推荐算法,其特征在于,
所述点击率预测模块包含多层残差网络模型。
10.根据权利要求1所述的基于知识图谱的推荐算法,其特征在于,
所述点击率预测模块包含NCF模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111507616.4A CN114491055B (zh) | 2021-12-10 | 2021-12-10 | 基于知识图谱的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111507616.4A CN114491055B (zh) | 2021-12-10 | 2021-12-10 | 基于知识图谱的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114491055A true CN114491055A (zh) | 2022-05-13 |
CN114491055B CN114491055B (zh) | 2022-11-08 |
Family
ID=81492941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111507616.4A Active CN114491055B (zh) | 2021-12-10 | 2021-12-10 | 基于知识图谱的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491055B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
US20190012340A1 (en) * | 2015-04-27 | 2019-01-10 | Rovi Guides, Inc. | Systems and methods for updating a knowledge graph through user input |
CN110955834A (zh) * | 2019-11-27 | 2020-04-03 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
CN111582509A (zh) * | 2020-05-07 | 2020-08-25 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
US20200272674A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending entity, electronic device and computer readable medium |
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN112488791A (zh) * | 2020-11-30 | 2021-03-12 | 中国传媒大学 | 一种基于知识图谱卷积算法的个性化推荐方法 |
CN112507132A (zh) * | 2020-12-14 | 2021-03-16 | 天津大学 | 一种基于知识图谱和注意力机制的推荐方法 |
CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及*** |
CN112800334A (zh) * | 2021-02-04 | 2021-05-14 | 河海大学 | 一种基于知识图谱和深度学习的协同过滤推荐方法及设备 |
KR20210064862A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 지식 그래프 생성 방법 및 이를 이용한 신재생발전 항목 추천 시스템 및 방법 |
CN113127754A (zh) * | 2021-04-16 | 2021-07-16 | 天津大学 | 一种基于知识图谱的供应商推荐方法 |
CN113656684A (zh) * | 2021-07-13 | 2021-11-16 | 天津大学 | 一种基于知识图谱的推荐方法 |
-
2021
- 2021-12-10 CN CN202111507616.4A patent/CN114491055B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
US20190012340A1 (en) * | 2015-04-27 | 2019-01-10 | Rovi Guides, Inc. | Systems and methods for updating a knowledge graph through user input |
US20200272674A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending entity, electronic device and computer readable medium |
KR20210064862A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 지식 그래프 생성 방법 및 이를 이용한 신재생발전 항목 추천 시스템 및 방법 |
CN110955834A (zh) * | 2019-11-27 | 2020-04-03 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
CN111582509A (zh) * | 2020-05-07 | 2020-08-25 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN112488791A (zh) * | 2020-11-30 | 2021-03-12 | 中国传媒大学 | 一种基于知识图谱卷积算法的个性化推荐方法 |
CN112507132A (zh) * | 2020-12-14 | 2021-03-16 | 天津大学 | 一种基于知识图谱和注意力机制的推荐方法 |
CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及*** |
CN112800334A (zh) * | 2021-02-04 | 2021-05-14 | 河海大学 | 一种基于知识图谱和深度学习的协同过滤推荐方法及设备 |
CN113127754A (zh) * | 2021-04-16 | 2021-07-16 | 天津大学 | 一种基于知识图谱的供应商推荐方法 |
CN113656684A (zh) * | 2021-07-13 | 2021-11-16 | 天津大学 | 一种基于知识图谱的推荐方法 |
Non-Patent Citations (2)
Title |
---|
WEIZHUANG HAN等: "Movie recommendation algorithm based on knowledge graph", 《2019 2ND INTERNATIONAL CONFERENCE ON SAFETY PRODUCE INFORMATIZATION (IICSPI)》 * |
荣沛: "基于知识图注意网络的个性化推荐算法", 《计算机应用研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114491055B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
Parvin et al. | A scalable and robust trust-based nonnegative matrix factorization recommender using the alternating direction method | |
CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及*** | |
CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
CN112417313A (zh) | 一种基于知识图卷积网络的模型混合推荐方法 | |
CN112231583B (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
CN113127754A (zh) | 一种基于知识图谱的供应商推荐方法 | |
CN115618098B (zh) | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐*** | |
CN113918834A (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
Liu et al. | Towards context-aware collaborative filtering by learning context-aware latent representations | |
CN115358809A (zh) | 一种基于图对比学习的多意图推荐方法及装置 | |
CN110851701B (zh) | 一种基于用户上下文耦合相似度的概率矩阵分解推荐方法 | |
Chen et al. | A fuzzy matrix factor recommendation method with forgetting function and user features | |
CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐*** | |
Chen et al. | Graph enhanced neural interaction model for recommendation | |
CN111046280B (zh) | 一种应用fm的跨领域推荐方法 | |
Liu et al. | TCD-CF: Triple cross-domain collaborative filtering recommendation | |
CN109886299B (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN114491055B (zh) | 基于知识图谱的推荐方法 | |
Ariza-Casabona et al. | Exploiting graph structured cross-domain representation for multi-domain recommendation | |
CN115391555A (zh) | 一种用户感知的知识图谱推荐***及方法 | |
Geng et al. | Web service recommendation based on knowledge graph convolutional network and doc2vec | |
CN114238758A (zh) | 一种基于多源跨界数据融合的用户画像预测方法 | |
Wang et al. | NAUI: Neural attentive user interest model for cross-domain CTR prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |