摘要
随着数字技术和互联网的迅速发展，我们生活在一个信息爆炸的时代，每天都会被大量的信息和选择所包围。推荐系统作为一种智能化的技术，能够利用用户的历史数据和个人偏好，为用户推荐与其兴趣相关的商品、服务或内容，以便帮助用户更快、更有效地找到他们想要的东西。然而，推荐系统目前也面临着一些问题，其中最主要的是数据稀疏问题。数据稀疏指的是用户的历史行为数据过少，难以对用户进行准确的兴趣分析。在这种情况下，推荐系统可能会出现推荐错误或者无法为用户提供满意的推荐服务。针对此问题，目前的研究趋势是将外部信息引入到推荐模型中，其中知识图谱被广泛应用。然而，现有基于知识图谱的推荐方法主要侧重于利用知识图谱中的路径结构信息或知识图谱中的语义信息，忽略了知识图谱内部丰富的高阶信息。 本文针对推荐系统存在的数据稀疏问题以及知识图谱内部高阶信息没有得到充分利用的问题，提出了一种融合多模态知识图谱与注意力机制的个性化信息推荐方法，该方法主要包含了多模态数据的构建与预处理方法和基于关系空间的注意力机制传播模型两个部分，具体研究内容如下: （1）针对推荐系统在实际应用中面临的数据稀疏性问题，本文提出了一种多模态数据的构建与预处理方法，该方法将多模态信息分为内部和外部两个部分。其中，将与物品相对应的视觉图像（例如电影海报）以基于实体的形式被用作内部多模态信息来扩展知识图谱推荐。在知识图谱嵌入过程中往往将物品的文本属性直接嵌入到一个ID中，从而忽略了物品所包含的一些语义信息，比如电影名信息。因此，本文引入物品的标题文本语义作为外部多模态特征来弥补知识图谱嵌入带来的语义缺失问题。同时将用户特征属性加入外部多模态信息中可以更准确地分析出用户的兴趣爱好。通过这种方法，推荐系统可以更好地应对数据稀疏性问题。 （2）针对知识图谱推荐中高阶信息挖掘不充分的问题，本文提出了一种基于关系空间的注意力机制传播模型。具体而言，该模型首先从内部多模态知识图谱层中得到多模态特征向量作为输入，并通过基于关系的感知注意力机制来学习传播过程中的每个邻居权重，这样可以在关系空间中找到关系更近的实体。在特征聚合阶段，本文采用相加、连接和双端混合三种方式进行聚合效果测试，最后，将外部多模态用户和物品特征向量加入，融合得到最终的用户和物品特征向量以用来推荐预测。 为了检验本文所提的融合多模态知识图谱与注意力机制的个性化信息推荐方法的有效性，本文基于Multi-MovieLens1M数据集进行了对比实验，在准确率、召回率等指标上与几种当前主流推荐方法进行了比较。经实验验证，本文所提方法比MKR、RippleNet等知识图谱推荐方法在准确率、召回率以及ACC等指标上均有所提升。同时，针对数据稀疏性做了对比实验，实验表明在保证推荐准确性的前提下，所提方法可以有效缓解推荐系统的数据稀疏性问题。
NETL