基于知识图谱表示学习的推荐算法优化

摘要

本文提出基于知识图谱表示学习的推荐算法TransH-CF.通过表示学习方法,将电影数据集中的实体映射成对应的实体向量,嵌入到低维空间中来,计算不同电影之间的语义相似度,与协同过滤计算出的电影相似度相结合,将混合后的结果推荐给用户.本文选取TransH翻译方法,与改进后基于物品的协同过滤算法相结合,弥补了传统协同过滤算法在热门电影相似度计算时的劣势,也解决了TransE翻译方法在一对多,多对一,多对多关系建模的劣势.实验结果表明,,此算法有效的提高了电影推荐的准确率、召回率、F值等评估因素.