模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2022, Vol. 35 Issue (11): 1033-1041    DOI: 10.16451/j.cnki.issn1003-6059.202211008
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
隐式知识图协同过滤模型
薛峰1,2, 盛一城3, 刘康3, 桑胜3
1.合肥工业大学 软件学院 合肥 230009;
2.合肥综合性国家科学中心人工智能研究院 合肥 230088;
3.合肥工业大学 计算机与信息学院 合肥 230601
Implicit Knowledge Graph Collaborative Filtering Model
XUE Feng1,2, SHENG Yicheng3, LIU Kang3, SANG Sheng3
1. School of Software, Hefei University of Technology, Hefei 230009;
2. Hefei Comprehensive National Science Center, Hefei 230088;
3. School of Computer Science and Information Engineering, Hefei University of Technology, Hefei 230601

全文: PDF (707 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 目前,基于知识图谱的推荐方法利用图神经网络捕获用户偏好和知识实体之间的相关性,实现最优的推荐效果.但这种相关性建模方法依赖于节点(用户、物品或实体)之间的显式关系,具有一定的局限性.针对上述问题,文中提出隐式知识图协同过滤模型(Implicit Knowledge Graph Collaborative Filtering Model, IKGCF).首先,构建隐式协同知识图,一方面消除显式关系对推荐中隐式交互关系的干扰,另一方面解除显式关系对图谱中语义相关性的限制.然后,采用增强的图神经网络模块,执行邻居聚集和消息传播,更好地捕获隐式协同知识图上的高阶相关性.最后,采用层选择机制,得到最终的节点嵌入向量,并对模型进行预测和优化.在3个公开数据集上的实验表明,文中模型推荐效果较优.IKGCF的完整代码开源在https://github.com/hfutmars/IKGCF.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
薛峰
盛一城
刘康
桑胜
关键词 推荐系统隐式知识图谱图卷积协同过滤    
Abstract:In the existing recommendation methods based on knowledge graphs, graph neural networks are utilized to capture the correlation between user preferences and knowledge entities to achieve optimal recommendation results. However, certain limitations occur in this kind of relevance modeling methods due to its dependence on the explicit relationship between nodes(users, items or entities). To address these problems, an implicit knowledge graph collaborative filtering model(IKGCF) is proposed. Firstly, the implicit collaborative knowledge graph is constructed to eliminate the interference of explicit relationship on implicit interaction in recommendations and remove the limitation of explicit relationship on semantic relevance in the graph. Then, an enhanced graph neural network module is adopted to perform neighbor aggregation and message propagation to better capture the higher-order relevance on the implicit collaborative knowledge graph. Finally, a layer selection mechanism is employed to obtain the final node embedding vectors and predict and optimize the model. Experiments on three public datasets show that IKGCF achieves better performance. The full code of IKGCF is open-sourced at https://github.com/hfutmars/IKGCF.
Key wordsRecommendation System    Implicit Knowledge Graph    Graph Convolution    Collaborative Filtering   
收稿日期: 2022-07-31     
ZTFLH: TP 391.3  
基金资助:国家自然科学基金项目(No.62272143)、安徽高校协同创新项目(No.GXXT-2020-014)、安徽省重大科技专项项目(No.202203a05020025)、安徽省第七届创新创业人才特殊支持计划资助
通讯作者: 薛 峰,博士,教授,主要研究方向为人工智能、多媒体分析、推荐系统.E-mail:feng.xue@hfut.edu.cn.   
作者简介: 盛一城,硕士研究生,主要研究方向为推荐系统、数据挖掘.E-mail:yichengsheng@mail.hfut.edu.cn.刘 康,博士研究生,主要研究方向为推荐系统、数据挖掘、多媒体分析.E-mail:kangliu1225@gmail.com.桑 胜,博士研究生,主要研究方向为推荐系统、数据挖掘、多媒体分析.E-mail:ss.sang@qq.com.
引用本文:   
薛峰, 盛一城, 刘康, 桑胜. 隐式知识图协同过滤模型[J]. 模式识别与人工智能, 2022, 35(11): 1033-1041. XUE Feng, SHENG Yicheng, LIU Kang, SANG Sheng. Implicit Knowledge Graph Collaborative Filtering Model. Pattern Recognition and Artificial Intelligence, 2022, 35(11): 1033-1041.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202211008      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2022/V35/I11/1033
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn