基于知识图谱的图书推荐方法研究.pdfVIP

基于知识图谱的图书推荐方法研究

摘要

在互联网与数字化技术更新换代频繁的当下，数字阅读已经成为人们获取知识的

重要途径。然而，与传统纸质图书不同，数字图书呈现出爆炸式的扩增，用户在面对如

此庞杂的阅读资源时，常常会感到选择困难。为了缓解这种信息过载问题，图书推荐

算法作为一个重要手段被引入。该手段可以对用户进行个性化推荐，节省用户的查阅

时间从而提升用户体验。然而传统的推荐方法由于数据的高度稀疏性，普遍存在推荐

结果不准确、可解释性差等问题。因此，如何进一步提升图书推荐方法的准确度与可

解释性，成为当前研究的热点与难点。知识图谱作为包含丰富语义信息的知识库，可

为数据进行补充，缓解了推荐算法中数据稀疏性的问题，并增强了推荐的可解释性。

为此，文本采用基于知识图谱的推荐技术进行图书推荐，主要研究内容和贡献如下：

为解决目前推荐算法存在数据稀疏性、注重于考虑交互信息中的显示特征和忽略

用户隐式偏好的问题，本文提出一种融合知识图谱与特征交互的多任务学习方法。引

入知识图谱作为辅助信息的来源，通过交叉学习模块自动共享潜在特征将知识图谱特

征学习与推荐任务进行关联，经过压缩交互网络和多层感知机学习知识图谱中的实体

和二部图中的图书之间的显隐式特征交互信息。此外，通过轻量化图卷积网络学习用

户与图书之间的高阶特征，将用户的隐式反馈信息编码到表示向量中。在两个公开数

据集上进行实验验证，结果表明在Book-Crossing数据集上，本模型在AUC、ACC、

Precision@20和Recall@20上比最强基线模型分别提高了1.62%、2.01%、2.24%和

2.59%；而在Amazon-Book数据集上本模型比最强基线模型分别提高了3.44%、3.10%、

3.79%和13.62%。实验结果证明该方法可以综合考虑显隐式特征及用户的隐式偏好，缓

解数据稀疏性问题，同时提高推荐算法的准确性。

为解决二部图中无法完整表示用户意图，导致推荐算法无法明确用户与图书交互

背后真实意愿的问题，本文提出一种融合知识图谱与用户意图的多任务学习方法，借

助知识图谱中的关系为用户意图进行建模，通过皮尔森相关系数使各意图相互独立。

将图数据经过带路径感知的图神经网络学习用户和图书的嵌入表示，建立准确的特征

表示，并添加注意力评分函数区分不同关系组合对用户意图的重要程度。通过多任务

学习的方式，将知识图谱蕴含的语义信息为推荐模块中图书的向量表示补充额外信息，

使得推荐算法更加准确地理解用户的兴趣。实验结果表明，本模型相比于最强基线模

型在Book-Crossing和Amazon-Book数据集上的NDCG@100和HR@100分别提高了

11.31%、8.80%、6.98%和5.47%。结果证明融合用户意图与多任务学习的方式可以有

效增强信息表示，有助于提升推荐算法的性能。

本文对所提出的推荐算法在真实图书数据集上进行实验验证，结果表明与基准模

型相比，本文所提方法在点击率预测和推荐列表中的性能有所提升，证明本文提出的

方法可以有效融合特征交互信息和用户意图，为数字化阅读的发展做出贡献。

关键词：推荐算法，知识图谱，多任务学习，图神经网络

Researchonbookrecommendationmethodsbasedon

knowledgegraphs

Abstract

WithinthecurrenteraoffrequentupdatesontheInternetanddigitaltechnology,digital

readinghasbecomeanimportantmeansforpeopletoacquireknowledge.However,unlike

traditionalprintedbooks,digitalbookshavewitnessedanexplosivegrowth,leadingusersto

oftenfeeloverwhelmedwiththeabundanceofreading