摘要
推荐系统是辅助用户筛选信息的工具，通过分析用户的行为和内容，为用户提供感兴趣的个性化推荐服务。知识图谱是高效管理和可视化呈现大量数据的一种有效手段，可以提高信息管理的智能化水平。知识图谱在推荐系统之中作为一种拓展信息的辅助工具，获得了很高的关注，它通过挖掘实体之间的关系，将物品和用户之间的隐性相关联系起来，从而提供更准确的推荐。将知识图谱整合到推荐系统中是未来研究的重要方向，这可以提高推荐系统的可解释性，帮助用户理解推荐结果背后的潜在原因。同时，这也有助于提高用户对推荐结果的满意度。 在大多数推荐系统模型中将用户交互行为视为有序序列，用户通过自我注意力机制可以提取动态行为序列特征，但没有考虑每个互动之间的时间间隔。实体和物品分别在知识图谱中和推荐模块中都是相互联系且高度关联的。同时在知识图模块中实体传播路径是随机的，没有考虑用户的历史偏好。针对上述两个问题，本文将它们融合为用户进行推荐，提出了TPMKR模型，一个融合行为序列的时间间隔和实体知识增强的多任务特征学习推荐模型。在行为序列中对交互的时间戳进行建模，同时在知识图模块中引入自注意力机制来进行实体知识增强，通过加权计算来获取最优的实体传播路径，并通过模型的交叉单元完成最后推荐。在实验中，使用AUC、ACC、Precision和Recall指标对本文提出的模型和主流基准模型在真实数据集MovieLens-1M上进行评估。实验结果表明，本文提出的模型表现优于主流的基准模型。 本文将电影数据结构化三元组存储到Neo4J中来构建电影领域知识图谱，并基于TPMKR模型完成电影推荐系统的设计与实现，利用SpringBoot和Vue.js来完成前后端的开发，MySQL存储数据。该推荐系统目的是实现各项功能、展示电影的界面和推荐页面等基本需求基础上验证模型的优势。
NETL