基于知识图谱和图神经网络的推荐模型研究

作     者：陈占貂 

作者单位：华东师范大学 

学位级别：硕士

导师姓名：陈小红

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081203[工学-计算机应用技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：推荐模型 知识图谱 图神经网络 有效性 可解释性 

摘      要：推荐系统作为一种帮助用户缓解信息过载问题的主要手段,其性能往往由推荐的有效性、可解释性和多样性等多个方面共同决定。结合知识图谱与图神经网络从而提升推荐性能已成为当前研究热点。尽管目前最先进的结合知识图谱和图神经网络的推荐模型KGCN的推荐性能已经达到了不错的效果,但是尚未对用户端进行建模,限制了推荐有效性的进一步提升,并且没有充分利用知识图谱中节点之间的高阶连通性,导致推荐结果的可解释性较差。因此本文主要考虑从推荐的有效性和可解释性方面对现有的算法进行改进,提出了KBGNN模型和PGPR-ER模型。本文主要工作包括:（1）通过改进KGCN模型,提出了一种基于知识感知的双线性图神经网络的推荐模型KBGNN。该模型在KGCN的基础上通过引入用户的评论作为描述用户的背景知识,增加了模型的信息来源,使用max池化聚合器来聚合邻域中最有代表性的信息,并且使用双线性图神经网络代替传统的图神经网络进行图卷积操作能够有效提升推荐的性能。（2）提出了一种结合策略引导路径推理方法的可解释推荐模型PGPR-ER。该模型能够借助知识图谱中关于项目的附加知识,引入策略引导路径推理方法PGPR找到不同的推荐推理路径,并对路径进行保存,通过雷达图或文体解释的方式对推荐的结果进行解释,使得推荐模型具有可解释性。（3）并对上述两种模型进行了实现和应用。主要使用图形处理工具tensorflow的GPU版本,配合scipy、cycler、numpy和pandas等工具进行数据处理,提高了图运算的效率。并使用Twisted框架编写Tcp服务和Http服务实现了推荐系统的服务端,为客户使用提供了便利。分别对推荐模型KBGNN和PGPR-ER在三个数据集Apps for Android、Movies and TV和Movie Lens 20M上进行的Top-N推荐以及评分预测。实验结果表明,KBGNN在准确率、召回率、F1度量、均方误差、均方根误差、平均绝对误差六个性能指标上均优于KGCN以及基线模型;PGPR-ER在此六个指标上均与KBGNN相当;在可解释探究实验上的结果表明,PGPR-ER可以针对推荐结果进行解释;在时间性能对比实验上的结果表明PGPR-ER在时间消耗和计算资源消耗上大于KBGNN模型。