摘要
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。
NETL