知识图谱驱动的推荐系统算法
信息检索
2024-02-06 v3 计算与语言
摘要
在本文中，我们提出了一种基于图神经网络的新型推荐模型 KGLN，该模型利用知识图谱（KG）信息来提升个性化推荐的准确性和有效性。我们首先使用单层神经网络融合图中单个节点的特征，然后通过引入影响因子来调整邻居实体的聚合权重。该模型通过迭代从单层演进到多层，使实体能够获取广泛的多阶关联实体信息。最后一步涉及整合实体和用户的特征以生成推荐分数。通过比较各种聚合方法和影响因子的效果，评估了该模型的性能。在 MovieLen-1M 和 Book-Crossing 数据集上的测试中，KGLN 的 ROC 曲线下面积（AUC）分别提升了 0.3% 至 5.9% 和 1.1% 至 8.2%，优于 LibFM、DeepFM、Wide&Deep 和 RippleNet 等现有基准方法。
引用
@article{arxiv.2401.10244,
title = {Knowledge Graph Driven Recommendation System Algorithm},
author = {Chaoyang Zhang and Yanan Li and Shen Chen and Siwei Fan and Wei Li},
journal= {arXiv preprint arXiv:2401.10244},
year = {2024}
}