基于知识图谱驱动的图神经网络推荐模型

摘要

知识图谱(KG)蕴含丰富的结构与关联信息,不仅可以缓解推荐系统中数据稀疏、冷启动等问题,还可以更准确地进行个性化推荐,因此提出一种基于知识图谱驱动的端到端图神经网络推荐模型KGLN.首先使用单层神经网络框架对图中单个节点进行特征融合,并加入影响因子来改变不同邻居实体的聚合权重;然后通过迭代的方式将单层扩展到多层,使实体可以获得丰富的多阶关联实体信息;最后结合实体特征与用户特征产生预测评分进行推荐.分析并研究了不同聚合方法及影响因子对推荐效果的影响.实验结果表明,在数据集MovieLens-1M以及Book-Crossing上与基准方法因子分解库(LibFM)、深度分解机(DeepFM)、Wide&Deep、RippleNet的对比中,KGLN的曲线下面积(AUC)分别提升了0.3％～5.9％和1.1％～8.2％.