基于知识表示学习的协同矩阵分解方法

刘琼昕, 覃明帅

(1.北京市海量语言信息处理与云计算应用工程技术研究中心，北京 100081； 2.北京理工大学 计算机学院，北京 100081； 3.中国科学技术信息研究所 富媒体数字出版内容组织与知识服务重点实验室，北京 100038)

提 要：针对协同过滤算法中用户反馈数据的稀疏性问题，提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示，并在此基础上联合地分解反馈矩阵和物品关联度矩阵，两种矩阵共享物品向量，利用物品的语义信息弥补反馈数据的缺失.实验结果表明，该方法显著地提升了矩阵分解模型的推荐效果，在一定程度上解决了协同过滤的冷启动问题.

在推荐系统中，基于协同过滤[1](collaborative filtering)的算法是应用最广泛的一类方法.协同过滤算法简单且高效，只需要用户对物品的反馈信息即可推测用户可能感兴趣的物品.反馈信息包括显式反馈(如用户对物品的评分)和隐式反馈(如用户是否点击过物品).协同过滤算法存在冷启动问题，它仅考虑了用户对物品的反馈信息，如果反馈数据太稀疏，推荐的效果通常不理想.另外，新加入的物品没有任何反馈信息，协同过滤算法无法对其进行推荐.

为解决冷启动问题，研究人员在协同过滤的基础上结合用户或物品的附加信息提出了一些混合推荐算法.SINGH等[2]提出了一种协同矩阵分解(collective matrix factorization,CMF)框架，首先将用户、物品或者其他实体之间存在的关系转化为关系矩阵，然后联合……