本文提出了一种新模型,叫做 Hierarchy-Aware Knowledge Gated Network(HAKG),主要应对 KG 领域中现存的一些问题,在实验中,与现有的方法相比表现了很大的优势。
Apr, 2022
基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息,并使用基于注意力机制的图神经网络对子图进行编码,提供了准确、高效、可解释的推荐特别是针对新物品的方法。实验结果表明 KUCNet 在基于知识图谱和协同过滤的方法上具有优势。
Mar, 2024
提出了一种名为 KGAT 的新方法,它结合了知识图谱和嵌入传播技术,旨在显式地建模知识图谱中的高阶关系以提高推荐准确性,并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法
May, 2019
该研究提出了一种新的知识图谱嵌入模型 ——HAKE,该模型采用极坐标系将实体映射到不同的层次,以模拟语义层次结构,从而在链接预测任务上实现了显著的性能提升。
Nov, 2019
通过引入知识图谱的图卷积神经网络模型加入历史交互数据,再通过协作引导机制提取知识图谱信息实现个性化推荐,实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。
Sep, 2021
本研究通过将知识图谱嵌入汽车购买 / 销售领域,旨在构建个性化推荐系统,并通过实验证明所提出的方法能够提供与个体用户一致的相关推荐。
Jul, 2023
本文提出了一种知识增强的分层图转换网络,以调查推荐系统中用户和物品之间的多类型互动模式,包括复杂的用户行为特征,知识感知的物品关系以及多类型用户物品交互的动态特性,实验表明该方法在多种情况下优于现有的推荐方法。
Oct, 2021
本文中介绍了一种基于超螺旋空间的个性化推荐模型,其中使用了知识图谱、超螺旋空间和自适应的正则化机制,通过在三个真实数据集上的实验表明,相较于最先进的现有模型,该模型在 NDCG@K 上的推荐效果提高了 2-16%。
Jan, 2021
本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法,通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性,扩展感受野以建模高阶邻近信息,并将邻居信息与偏差相结合计算给定实体的表示,以优化协同过滤型推荐系统的性能。实验结果表明,该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。
Mar, 2019
本文提出了一种基于超几何知识增强图卷积网络的知识感知推荐方法,用于解决传统推荐系统中数据稀疏和冷启动问题,通过将知识图谱与用户 - 项目交互进行统一构建三元图来建模,采用不同的信息传播策略在超 bolic 空间中显式地编码异质信息,实现信息的协同聚合,并在三个真实数据集上进行了广泛实验证明,提出的方法优于现有最新方法,可以在 Top-K 推荐中提高 3.6-15.3%的召回率。
Aug, 2021