摘要
知识图谱由于其较强的结构信息表达能力和边信息挖掘能力，被引入到学习用户兴趣偏好的个性化推荐算法中。图神经网络技术是知识图谱推荐领域的重要方法，然而图神经网络存在的过度平滑问题，导致难以构建更深层次的网络挖掘用户的长程兴趣，为推荐带来了挑战。并且，知识图谱中大多数实体只有少量的三元组，存在长尾现象，导致可用于训练的数据量较少，限制了推荐系统的性能。 因此，本文提出了两种基于图神经网络的知识图谱推荐算法，分别解决图神经网络的过平滑问题和知识图谱中存在的长尾问题。具体内容如下：（1）针对过平滑问题，本文提出了一个基于知识图谱随机神经网络的推荐方法，设计了一种随机特征传播过程学习项目的特征表示，首先通过随机丢弃策略生成扰动的实体特征矩阵。然后，基于扰动特征矩阵进行特征传播，获取高阶邻域信息，并定位新的实体表示，生成数据增强矩阵。最后采用一致性正则化方法，在执行多次随机丢弃策略后生成的多个数据增强矩阵上优化预测结果。（2）针对长尾问题，本文提出了一种基于关系学习的知识图谱推荐方法，首先通过结合协作信号的知识传播过程学习用户和物品的嵌入，并利用注意力机制区分不同邻居节点在传播中的贡献。然后设计了关系学习方法学习未知项目间的关联信息，先将已经学习到的项目嵌入分别经由两个知识传播层得到新的表示，再利用新的项目表示对未知项目之间的联系进行建模，丰富项目特征表示。 本文在真实的推荐数据集上进行了大量的实验，实验结果表明，本文提出的基于知识图谱随机神经网络的推荐算法有效地缓解了图神经网络的过平滑问题，提高了预测用户偏好的准确性。而本文提出的基于关系学习的知识图谱推荐算法，能够在存在长尾现象的推荐场景中，表现出准确且稳定的推荐性能。因此，本文提出的两种方法能够有效地完成个性化推荐任务。
NETL