基于知识图谱和图神经网络的推荐算法研究

作     者：曹雄 

作者单位：沈阳理工大学 

学位级别：硕士

导师姓名：文峰

授予年度：2022年

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）] 

主      题：推荐系统 知识图谱 图神经网络 图嵌入 

摘      要：随着互联网的发展,数据开始呈爆炸性的方式增长着,随之而来的就是信息过载问题。为了对这些信息进行过滤得到高质量的数据,推荐系统开始引起人们的广泛关注。经典的推荐算法着重于用户和物品之间的交互信息,而这样往往伴随着数据稀疏和冷启动问题,这也是学术界一直着重解决的难题。而知识图谱作为包含着异质信息的语义网络,清晰的描述了实体以及实体之间的连接关系,由于其三元组的易理解性以及丰富的语义信息而被广泛的应用在推荐系统中,基于知识图谱构造推荐模型是推荐领域目前研究的前沿方向。当前相关研究主要基于图神经网络（GNN）来捕获知识图谱中的信息并进一步应用于推荐系统中,但是存在以下问题:一方面相关网络结构都是对输入进行随机初始化,这失去了很多图数据的内部结构信息;另一方面要么从用户视图进行建模,要么从物品视图进行建模,无法从多个角度捕捉物品的深层次属性实现精准推荐。基于上述问题本文提出了一种基于知识图谱嵌入模型和图神经网络的推荐算法。首先提出了一种多模态网络结构——MNBKG,在用户模态使用图神经网络去丰富用户的特征表示,在实体模态使用GCN网络结构挖掘高阶连通性和不同层次的混合信息从而得到信息丰富的高维实体特征,该模型可以在用户视图和实体视图中学习项目表示。其次,将知识图谱嵌入技术与图神经网络结合,相比于传统的神经网络输入随机初始化的向量,本研究在训练网络前额外引入了知识图谱嵌入模块,该模块会先使用KGE算法对知识图谱进行处理,从而得到包含语义和结构信息的实体和关系向量表征。最后在开源的真实数据集上进行实验分析,包括与目前先进的算法模型进行结果对比、消融实验和参数敏感性分析,实验结果证明了本文提出的算法模型的有效性。