基于知识图谱波纹传播与图神经网络的推荐算法研究

作     者：尹静 

作者单位：吉林大学 

学位级别：硕士

导师姓名：朱晓冬

授予年度：2023年

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

主      题：图神经网络 知识图谱 偏好传播 推荐系统 涟漪网络 图卷积网络 

摘      要：在近年中,推荐系统的出现,成为了用户从众多信息中筛选出偏好信息的有效手段。在早期推荐算法研究中,基于协同过滤的推荐算法在生活中得到了广泛应用,随着推荐算法领域研究的深入,很多学者发现,这种方式普遍存在着数据稀疏和冷启动问题。为了解决此问题,很多研究人员将一些辅助信息加入到推荐系统中,这一创新开创了推荐算法的新阶段。知识图谱作为辅助信息的一种,包含着丰富的语义特征,有助于进一步获取实体间的高阶邻域信息,丰富实体表示,从而解决数据稀疏问题来提升推荐准确性。知识图谱中的拓扑结构信息与推荐算法中用户与物品交互矩阵中的信息有着密切的关联,二者的结合带来更深层次的数据关联,弥补了原本数据的稀疏性,通过知识图谱的拓扑结构和有效的推荐算法可以挖掘用户和物品的潜在特征。基于以上原因,将知识图谱引入到推荐系统这一研究方向得到了广泛的应用。目前基于知识图谱嵌入和路径相结合的混合推荐算法效果显著,已经成为基于知识图谱的推荐系统的主流趋势,这类算法通常利用图神经网络(GNN)对用户偏好进行建模。图神经网络通过逐层聚合邻域信息来丰富用户表示和物品表示,传播高阶信息。图神经网络的聚合机制虽然有效地缓解了基于嵌入和基于路径的方法的缺陷,但是仍存在着一些待提升的空间,比如对知识图谱中的信息挖掘不够深入,不能充分利用知识图谱中的实体信息和关系信息,以及无法同时获取高阶用户特征和高阶物品特征,丰富用户表示的同时也丰富物品表示,现有算法仅仅只对一端的信息进行充分的挖掘,即只考虑了用户端或物品端与知识图谱中实体的关联,缺乏对知识图谱信息充分的利用。因此,对于探索用户端特征和物品端特征与知识图谱中实体的语义关联以及用户-物品历史交互记录中的隐藏性信息的挖掘是一个挑战。所以,基于以上目前存在的问题,本文进行了深入的研究,提出了一种基于知识图谱的波纹传播与图神经网络结合的推荐模型(KGCN-RN,knowledge graph ripple propagation and graph neural network)。本文的主要贡献为:(1)为了可以同时获取高阶用户特征和高阶物品特征,丰富用户表示的同时也丰富物品表示,本文提出的KGCN-RN模型通过引入知识图谱信息,自动获取知识图谱中的潜在信息同时丰富用户表示和物品表示,利用水波模型的偏好传播来丰富用户特征表示,对用户特征进行高阶建模,同时在物品端利用图神经网络的消息传递机制聚合邻域信息来丰富物品特征表示,把知识图谱视作为一个有权图,也就是实体之间的关系通过计算变为一个权重,用来表示该关系对用户偏好程度的影响。弥补了现有推荐方法对用户端或物品端特征提取不充分的问题。(2)为了可以更精确的聚合相似性较高的邻域信息,该模型在对与实体相关的多个关系之间的权重进行采样时,采用基于重要程度采样来聚合每一层邻域信息,即根据所得的权重值从高到低采样固定数量的邻域信息,得到高阶物品表示。使得推荐结果更加精准,从而更深层次的融入到推荐系统,并且提升推荐系统的准确性。将本文提出的算法在三个不同类型的公开数据集上进行实验,与一些现有模型的实验结果进行比较,KGCN-RN模型在点击率预测、Top-K推荐、数据稀疏性实验中的结果均优于现有算法,证明了本文提出的KGCN-RN模型的有效性。