Poincaré 球中基于知识增强的 Top-K 推荐
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
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
本研究提出了一种基于知识的多重自适应空间融合方法 (MCKG) 用于推荐,通过引入与双曲、欧氏和球形空间兼容的统一空间,并以注意机制融合多个统一空间,获得高质量嵌入以实现更好的知识传播。此外,提出了一种几何感知优化策略,使模型能够从双曲和球形空间中受益,通过在靠近原点的区域设置较小的边界值来区分高度相似的正向项目和负向项目,并在远离原点的区域设置较大的边界值以确保模型具有足够的误差容忍度。大量的实验结果表明,MCKG 在三个真实世界数据集上相较于最先进的推荐方法有了显著的改进。进一步的消融实验验证了多空间融合和几何感知优化策略的重要性,证明了 MCKG 的合理性和有效性。
Aug, 2023
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
Jul, 2023
本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向,重点讨论了核心组件 —— 图嵌入模块,以及它们如何解决实际推荐问题,例如规模扩展,冷启动等,并总结了常用的基准数据集、评估指标和开源代码。
Mar, 2020
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
本文旨在在推荐系统中将知识图谱引入,特别考虑了不完整的知识图谱,并通过关系传递实现对用户偏好的理解,提高了推荐性能。通过联合训练建议模型和知识图谱完成模型,综合多个迁移模式,表现出卓越的性能
Feb, 2019