基于极化关系表述与低维数据间关联学习的推荐模型

摘要：

传统基于知识图谱的推荐模型一般采用TransH策略来表达图谱中节点间关系,同时利用基于特征机的交互方式进行推荐学习.该类方法对于节点间的关系表述不够准确,同时往往忽略了节点间低维数据所隐藏的关系.为提升推荐准确率,本研究提出了一种基于极化关系表述的新方法,将节点间的表述映射到酉空间,丰富了节点间关系表述的有效信息;此外,设计了一种对知识图谱嵌入和推荐过程低维数据进行关联学习的方法,深入挖掘其所隐藏的丰富与细致关系,从而提升了推荐的准确率.实验证明,本研究所提方法是有效的,与基于知识图谱表述学习的推荐方法领域前沿研究相比,其在Amazon-book、Last-FM数据集上的召回率和归一化折损累计增益有明显的提升.

关键词：推荐系统;表述学习;知识图谱;数据挖掘;极化关系表述

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

资助基金：新疆自治区重点研发项目;新疆自治区重点研发项目

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：122-131