融合知识图谱和用户行为信息的个性化推荐算法研究

针对传统协同过滤存在的稀疏性和冷启动问题，通常使用深度神经网络(DNN)构建融合知识图谱和推荐系统的推荐任务。但目前的方法未曾考虑特征间的低阶线性关系，虽可加入因子分解机(FM)，但不同的特征对模型的贡献不同，FM可能会因所有特征交互设置相同的权重而受到阻碍；DNN解决知识图谱这种具有不规则、可扩展、多重结构特性的数据结构不具普适性。针对以上问题，提出MKAFG模型，推荐部分加入具有注意力机制的FM，通过注意力网络区分不同特征交互的重要性，使FM提取到对目标预测起到重要作用的一阶、二阶线性交互特征。知识嵌入部分使用图卷积神经网络(GCN)，提高推荐系统推荐效果。实验结果表明，MKAFG在MovieLens-1M数据集上的推荐效果优于主流推荐模型。

推荐系统旨在解决信息爆炸问题并解决用户的个性化需求。目前使用的协同过滤推荐算法使用用户–物品交互矩阵存在稀疏性和冷启动等问题。因此，通常在推荐系统中加入辅助信息来提高推荐性能。

本文将知识图谱作为辅助信息，因其包含丰富的实体和关系。目前经常使用的知识图谱包括：NELL1、DBpedia2、Google Knowledge Graph3 和Microsoft Satori4。

由于知识图谱高维性和异构性， 使用知识图谱嵌入(Knowledge Graph Embedding, KGE)将知识图谱中的实体和关系映射到低维向量中， 并保持其原有的语义和结构[1]。

文献[2]提出了CKE 模型，将结构化、文本、视觉等知识输入到贝叶斯框架中，但推荐部分和知识嵌入部分在贝叶斯框架下是松散耦合的[3]，因此知识图谱对提高推荐系统的推荐效果起到的辅助性不太明显。文献[4]设计了基于内容的深度知识感知网络DKN，其结合了实体嵌入和文字嵌入进行新闻推荐。但其只针对文本数据，使用场景受限，也无法做到端到端的训练。文献[5]设计了RippleNet 记忆网络的类似模型， 在知识图谱中传播用户的潜在偏好， 探索分级兴趣， 但关系的嵌入矩阵很难捕捉关系的重要性。

文献[6]设计了一个通用的端到端的深度推荐框架MKR， 通过交叉压缩感知单元让推荐模块和知识嵌入模块进行交替学习，通过知识图谱提高推荐系统的性能。但在推荐过程中只考虑到了特征间的高阶非线性关系；在知识嵌入过程中， 深度学习虽能够学习到更高效的特征与模式， 但处理图数据结构不具普适性， 使用深度神经网络存在一定的限制。