一种基于属性迁移的细粒度知识图谱推荐方法技术

一种基于属性迁移的细粒度知识图谱推荐方法，包括嵌入传播层、属性迁移层和预测层。嵌入传播层负责从细粒度的层面建模用户的表示，并通过关系感知聚合机制将远程连接中的关系依赖融合进最终的用户和项目的表示；属性迁移层通过设定的阈值识别所有的冷启动项目，在项目属性迁移空间上基于图卷积网络架构对冷启动项目的邻居进行二次传播，并使用归一化的交并比来区分每个邻居的重要程度；预测层通过用户和项目表示，计算并输出预测的交互概率。本方法与现有的最先进的基线方法相比均有显著的提升，这归纳于本方法能识别并区分不同类别的项目，且本方法能挖掘项目属性空间中冷启动项目间的协作信号，丰富冷启动项目的嵌入表示，进一步提升推荐性能。

【技术实现步骤摘要】

本专利技术属于推荐系统，涉及一种基于属性迁移的细粒度知识图谱推荐方法。

技术介绍

1、现如今，个性化推荐系统早已经成为每一个提供信息服务的平台必不可少的一部分。在众多的推荐策略中，传统的协同过滤，因其有效性而备受关注。其主要思想是：用户可能会喜欢与他相似的用户所交互过的项目，其中用户间的相似性通常通过用户的行为来判断。而协同过滤的推荐算法忽略了用户属性、项目属性等边信息。因此，其不可避免地存在监督信号稀疏和冷启动问题。为了缓解上述问题，辅助信息的引入和利用变得很有必要。近些年，研究者们通常选择将知识图谱作为辅助信息引入推荐系统，并在提高推荐的准确性和可解释性方面显示出巨大的潜力。知识图谱中丰富的实体和关系信息可以补充用户和项目之间的关系建模。它们不仅揭示了项目之间的各种相关性，而且还可以用来解释用户偏好。现有的基于知识图谱的推荐系统可以分成三个发展阶段：基于嵌入的推荐、基于路径的推荐、基于传播的推荐。

2、基于嵌入的推荐方法利用知识图谱中丰富的事实来丰富项目或用户的表示。在这些工作中有两个基本模块，一个是图嵌入模块，用于学习知识图谱中实体和关系本文档来自技高网...

【技术保护点】

1.一种基于属性迁移的细粒度知识图谱推荐方法，其特征在于，步骤如下：

【技术特征摘要】

1.一种基于属性迁移的细粒度知识图...

【专利技术属性】
技术研发人员：原旭，陈紫璇，周健，卜西亚，吴徽南，秦昌媛，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：