融合偏好传播的多任务推荐模型研究

作     者：杨本臣 叶洪宇 孟祥福 YANG Benchen;YE Hongyu;MENG Xiangfu

作者机构：辽宁工程技术大学软件学院 辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105 

出 版 物：《软件导刊》 (Software Guide)

年 卷 期：2024年第23卷第6期

页      面：9-17页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金面上项目(61772249) 

主　　题：推荐系统 深度学习 知识图谱 偏好传播 多任务学习 

摘      要：针对知识图谱可以有效地从多源异构数据中还原出实体的三元组关系,却不利于推荐任务且采用单任务学习又很难挖掘数据潜在关联的问题,提出一种融合偏好传播的多任务推荐模型(MAPKR)。首先,利用涟漪传播从知识图谱中提取用户的偏好特征集;其次,依据相似近邻结构实现潜在特征共享,经交叉压缩单元提取项目和实体的高阶特征表示;最后,以多任务学习交替训练推荐模块和知识图谱嵌入模块,将提取的特征向量经归一化内积操作后进行预测、推荐。在3个公开数据集上进行实验并与5个基线模型进行比较。与MKR和RippleNet相比,在MovieLens-1M数据集上,AUC和ACC分别提高了0.68%、0.31%和0.77%、0.54%;在Book-Crossing上,AUC和ACC分别提高了3.48%、2.66%和4.51%、7.21%;在***上,AUC和ACC分别提高了3.44%、6.25%和2.70%、2.62%。实验结果表明,提出的模型与MKR、RippleNet等其他基线模型相比推荐性能良好。