针对现有的序列推荐算法仅利用短期用户行为做推荐,而没有充分考虑用户的长期稳定偏好和项目之间更深层次联系等问题,本文提出一种融合知识图谱与长短期偏好的推荐算法.本算法主要分为两个主要部分,即项目嵌入和判别性偏好学习.首先,基于知识图谱创建一种新的项目嵌入方法,用于获得每个项目的统一表示.然后分别采用两个独立的循环神经网络区别地利用用户的行为信息学习用户的长短期偏好,生成下一项推荐.本文在真实数据集MovieLens10M上的设置对比实验验证算法的有效性.实验结果表明,该算法在推荐评价指标平均倒数排名MRR@N和召回率Recall@N上有显著提升,有效的提高了推荐性能.
NETL
NSTL
万方数据
维普
