摘要
当前的推荐方法普遍引入知识图谱来缓解协同过滤算法的缺陷，如数据稀疏和冷启动问题。引入知识图谱的推荐方法相对于传统的协同过滤方法更准确、泛化能力更强、更适应不同的推荐场景。然而，这些方法大多着重于利用知识图谱来构建推荐系统中节点的特征表示，对于用户交互记录的利用却不够精细，所以对节点特征的建模也不够充分。本文的研究目的是预测推荐系统中特定的用户和物品之间存在交互的可能性，为了确保提出的模型准确性高、泛化能力强、并且解释性良好，本文主要进行了如下工作： （1）提出了一个基于用户行为及知识图谱传播的推荐方法，利用用户物品交互图及知识图谱这两种图结构信息，来构建推荐系统中节点的特征表示。模型由两部分组成，交互传播及知识传播。前者在用户物品交互图上通过图神经网络对节点的邻域特征进行聚合，并将这一聚合过程反复迭代，获取用户及物品高阶的交互特征。后者在知识图谱上多次传播，得到拓展的三元组集合来补充物品的描述。 （2）提出了一个基于关系融合的图注意力网络推荐方法，该模型将用户物品交互图和知识图谱上节点的强弱关系作为注意力权重，融合用户物品间的交互特征、物品间的相似特征以及知识图谱中实体的知识特征，来构建用户及物品的特征表示。在聚合这三种特征时，将构建的交互三元组，相似三元组以及知识三元组，投入关系融合网络，得到关系权重，辅助用户物品特征融合的过程，增强推荐效果。 （3）在三个公开数据集上进行了大量的实验和消融分析，证明了本文提出的模型准确性高、泛化能力强、适用于不同的推荐场景。基于用户行为及知识图谱传播的推荐模型在数据集Last.FM、MovieLens-1M、Dianping-Food的表现优于基线模型。并通过消融实验验证了同时利用这两种图结构信息不仅能够更充分地构建节点的特征，并且能够适应不同稀疏程度的数据集。基于关系融合的图注意力网络推荐模型在Last.FM、MovieLens-1M两个数据集上取得了比对比模型更好的效果。此外，对该模型的消融研究也证明了注意力机制、交互特征、相似特征以及知识特征对于模型的促进作用。 总体而言，本文的工作对过去的推荐方法进行了总结，对用户物品交互图、注意力机制以及知识图谱的特殊作用进行了研究，以此提升了推荐模型的性能、泛化能力，为知识图谱以及推荐系统的研究人员在个性化推荐任务上提供了一定的参考意义。
NETL