摘要
推荐系统是互联网时代实现信息精准传递的有效手段,广泛运用于产业链上下游信息推送、商品精准推荐等领域.然而由于缺乏新用户数据,系统存在数据稀疏和冷启动问题;且传统模型在信息传播过程中存在节点交互不足或权重不合理等缺点,限制了推荐系统的性能.为解决上述问题,提出了基于相似度匹配的知识图注意力网络(Similarity Matching Knowledge Graph Attention Network,SMKGAT)的推荐方法,将用户与物品间的关联与自身特征相结合,完成新用户数据的合理扩充,构建知识图谱获取辅助信息,同时引入了双重注意力机制,允许新老用户和物品共同确定邻居节点的权重,有效获取知识图中的结构和语义信息进而提升冷启动推荐性能.最后将所提方法运用于MovieLens-20M和Amazon-book数据集,实验中该方法的点击率和Top-N预测较传统方法均有所提高,验证了所提方法的有效性.
维普
万方数据