KGIF：基于知识图谱信息融合优化关系感知推荐

深度学习推荐系统在基准测试中表现突出，但许多系统在实际环境中难以有效适应，因缺乏用户-物品关系数据的利用以及推荐生成过程的透明度不足。传统的协同过滤方法无法整合多维物品属性，虽然因子机模型能考虑物品细节，却忽视更广泛的关系模式。协同知识图谱模型通过嵌入用户-物品交互与物品-属性关系，提供了对相互关联实体的整体视角。然而，这些模型常以隐式方式聚合属性与交互数据，导致宝贵的关系细微差别未得到充分利用。本研究引入知识图谱注意力网络信息融合框架（KGIF），通过量身定制的自注意力机制显式融合实体与关系嵌入。KGIF 框架通过动态投影向量实现参数化重构，使嵌入能够适应性地表示知识图谱中复杂的关系。这种显式融合增强了用户-物品交互与物品-属性关系之间的相互作用，提供了用户中心与物品中心表征之间的细致平衡。注意力传播机制进一步优化知识图谱嵌入，捕获多层次的交互模式。本文的贡献包括创新的显式信息融合方法、稀疏知识图谱的鲁棒性提升，以及通过可解释路径可视化生成可解释推荐的能力。