融合知识图谱表示学习和矩阵分解的推荐算法

陈平华，朱 禹

(广东工业大学 计算机学院，广东 广州 510006)

0 引 言

针对推荐系统面临的数据稀疏性问题，基于矩阵分解的推荐算法应运而生。传统的基于矩阵分解的推荐算法只考虑了对用户项目评分矩阵进行分解，没有充分利用数据信息，没有考虑项目之间的相似性问题，导致推荐效果不佳。针对这些问题，学者们提出了一系列的解决方法。文献[1]通过用户之间的信任关系来提高推荐系统的准确性，提出了一种基于信任传播的矩阵分解模型，但信任关系数据通常较难获取。文献[2]提出了一种基于项目属性耦合性的矩阵分解模型，这种方法利用项目属性之间的耦合关系作为隐含信息，结合矩阵分解模型对用户评分数据约束求解。文献[3]提出了一种基于非对称的用户相似性方法应用于矩阵分解模型，利用用户的相似性信息提高了推荐系统的准确性。如果在矩阵分解技术的基础上融合项目本身潜在的知识信息，将会进一步提高推荐算法的准确率。

1 相关工作

近年来，随着知识图谱技术的不断取得进展，包含丰富实体和关系信息的知识库数据大量涌现，例如Freebase[4]，YOGA[5]，Wikidata[6]，DBpedia[7]等，这些知识库提供了丰富的知识信息，知识图谱也引起了学术界广泛的关注和研究。文献[8]使用异构信息网络表示知识图谱中的项目和项目属性关系，并采用基于贝叶斯的协同过滤解决实体推荐问题。文献[9]采用扩散激活技术，将知识图谱中的网络结构特性融入推荐系统中。……