融合相似用户影响效应的知识图谱推荐模型

知识图谱(KG)具有丰富的结构化信息，能有效缓解推荐模型的稀疏性和冷启动问题，提升推荐系统的准确性与可解释性。近年来，融合知识图谱的端到端推荐模型成为技术趋势。提出了一种融合相似用户影响效应的知识图谱推荐模型，该模型在有效利用知识图谱的前提下，扩充了用户与项目之间的交互方式。首先，利用图神经网络邻域聚合策略与注意力机制，分别捕获用户与项目在知识图谱上的2种高阶表示；其次，根据相似用户的影响效应，设计影响力增强层，捕获相似用户影响效应的潜在表示；最后，将上述3种表示共同反馈到多层感知机中，输出预测分值。在真实数据集上的实验结果验证了所提模型的有效性和效率。     

双视图对比学习引导的多行为推荐方法

多行为推荐(MBR)通常利用多种类型的用户交互行为(例如,浏览、添加购物车和购买)来学习用户对目标行为(即购买)的偏好。受到稀疏监督信号的影响,现有的MBR方法推荐性能欠佳。最近,对比学习从原始数据本身挖掘辅助监督信号取得成功,受此启发提出了一种双视图对比学习引导的方法来增强MBR。首先,利用多行为交互数据来构造2个能同时捕获局部和高阶结构的信息视图;然后,设计2个不同的视图编码器在上述互补视图上学习用户和项目的嵌入表示;最后,通过跨视图协同对比学习与相互监督从而学习到更好的嵌入表示。在2个真实数据集上的实验结果表明,本文方法明显优于基线方法。