融合知识图谱的RippleNet推荐模型优化研究

摘要

[目的/意义]通过修正噪声和更改偏好扩散规则优化RippleNet推荐模型,提高推荐准确率.[方法/过程]借鉴"同级参评用户与同级受评项目具有同级评分"思想,识别并修正评分数据集中噪声;制定优先选择由高词频语义关系连接的知识图谱节点的偏好扩散规则并构建用户偏好数据集.[结果/结论]优化后模型比原RippleNet模型Top-K情景下不同K值的平均精准率提升5％;CTR点击率预测情景下测试集平均AUC值从原模型90.7％提高到92.3％.修正数据集中噪声和改进偏好扩散规则可以提高RippleNet推荐模型性能.