基于知识图谱驱动的图神经网络推荐模型

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...     

基于知识图谱的高校创新创业资源个性化推荐方法

针对高校创新创业资源个性化推荐结果的召回率不高的问题，提出基于知识图谱的高校创新创业资源个性化推荐方法。首先，抽取互联网中的创新创业资源知识，基于知识图谱建立语义匹配矩阵；其次，计算三元组向量及特征矩阵，得到对应的语义匹配矩阵；最后，构建兴趣模型，设定个性化推荐参数，实现高校创新创业资源个性化推荐。实验结果可知，该方法的平均召回率为0.2612，较其他方法高0.07～0.08，能够有效提高推荐结果的召回率。     

基于知识图嵌入的协同过滤推荐算法

利用知识图谱进行推荐的一个巨大挑战在于如何获取项目的结构化知识并对其进行语义特征提取.针对这一问题,提出了一种基于知识图嵌入的协同过滤推荐算法(KGECF).首先从Freebase知识图谱中提取与项目相关的知识信息,并与历史交互项目进行链接构建子知识库;然后通过基于TransR的Xavier-TransR方法得到子知识库中实体、关系表征;设计一种端到端的联合学习模型,将结构化信息与历史偏好信息嵌入到统一的向量空间中;最后利用协同过滤方法进一步计算这些向量并生成精确的推荐列表.在MovieLens-1 M和Amazon-book两个公开数据集上的实验表明,该算法在推荐准确率、召回率、F1值和NDCG四个指标上均优于基线方法,能够集成大规模的结构化和非结构化数据,同时获得高精度的推荐结果.     

基于异构图嵌入的论文个性化推荐算法

【背景】科技论文数量的快速增长使得如何快速查找或定位到感兴趣的文献资料成为了科研人员在科学研究过程中一个亟待解决的问题。【目的】本文旨在研究并提出一种基于图嵌入的论文推荐算法,尝试解决面向用户的论文个性化推荐问题。【方法】本文提出了一种基于异构图嵌入的论文个性化推荐算法。该算法通过异构图嵌入模型构建论文节点的嵌入表示,同时基于作者已发表的论文构建该作者的兴趣表示,最终利用两者之间的相似度对作者进行论文推荐。【结论】在DBLP数据集上的实验证明了本文提出的模型及算法的有效性。     

知识图谱与图嵌入在个性化教育中的应用综述

面对当前日益庞大的教育大数据, 如何在海量数据中高效、准确地提取出高价值的知识, 以满足个性化教学需求, 已成为当前智慧教育的一个研究热点. 作为一种可视化分析技术, 知识图谱可有效构建和挖掘知识及知识间的相互联系, 现已成功应用于诸多领域. 而图嵌入技术的引入, 则有利于提升大数据背景下知识图谱的处理效率.针对个性化...     

联合学习用户端和项目端知识图谱的个性化推荐

如何在已有的用户行为和辅助信息的基础上准确建模用户的偏好非常重要。在各种辅助信息中,知识图谱(Know-ledge Graph,KG)作为一种新型辅助信息,其节点和边包含了丰富的结构信息和语义信息,近年来受到了越来越多研究者的关注。大量研究表明,在个性化推荐中引入知识图谱可以有效地提高推荐的性能,并增强推荐的合理性和可解释性。然而,现有的方法要么是在KG上探索每个用户-项目交互对(user-item)的独立子路径,要么使用图表示学习的方法在KG中分别学习目标用户(user)或项目(item)的表示,虽然都取得了一定的效果,但是前者没有充分捕获用户-项目(user-item)在KG上的结构信息,后者在产生嵌入(embedding)表示的过程中忽略了user和item的相互影响。为了弥补上述方法的不足,提出了一种联合学习用户端和项目端知识图谱(User-end and Item-end Knowledge Graph,UIKG)的新模型。该模型通过挖掘用户和项目在各自KG中的关联属性信息,并通过联合学习有效地捕获用户的个性化偏好与项目之间的关联性。具体的操作步骤是,利用基于图卷积神经网络的方法从用户知识图谱中学习用户表示向量,再将用户表示向量引入项目知识图谱中联合学习得到项目表示向量,实现用户端KG和项目端KG的无缝统一,最后通过多层感知器进行偏好预测,得到用户对项目的偏好概率,从而更有效地挖掘KG中的高阶结构信息和语义信息来捕获用户的个性化偏好。在公开数据集上的实验结果表明,与基线方法相比,UIKG在Recall@K指标上提高了2.5%~13.6%,在AUC和F1指标上提高了0.4%~5.8%。     

知识图谱推荐系统研究综述

推荐系统可以在海量的数据信息中获取用户偏好,从而更好地实现个性化推荐,提高用户体检,以及解决互联网中的信息过载问题,但推荐系统仍然存在冷启动和数据稀疏问题。知识图谱作为一种拥有大量实体和丰富语义关系的结构化知识库,不但能够提高推荐系统的准确性,还能够为推荐项目提供可解释性,从而增强用户对推荐系统的信任度,为解决推荐系统中存在的一系列关键问题提供了新方法、新思路。首先针对知识图谱推荐系统进行研究与分析,以应用领域为分类依据将知识图谱推荐系统分为多领域知识图谱推荐系统和特定领域知识图谱推荐系统,同时根据这些知识图谱推荐方法的特点进一步分类,对每类方法进行定量分析和定性分析;之后列举出知识图谱推荐系统在应用领域中常用的数据集,对数据集的规模和特点进行概述;最后对知识图谱推荐系统未来的研究方向进行展望和总结。     

基于知识图谱的推荐算法研究综述

推荐算法广泛应用于互联网场景中,为用户推荐个性化的信息,解决信息过载问题,以提升用户体验。引入知识图谱的推荐算法利用丰富的辅助信息能有效解决数据稀疏和冷启动等问题,有助于推荐准确性、多样性和可解释性,引起了人们的研究兴趣。总结现有推荐方法,划分为基于嵌入、基于路径和基于传播三个类型,介绍分析现有方法如何挖掘知识图谱中的实体和关系的信息,以及如何利用知识图谱进行可解释的推荐,并对比了三种类型方法的优缺点;介绍了不同应用场景下的常用数据集;对具有挑战性的未来研究方向进行了展望。     

知识图谱增强的图神经网络推荐研究进展

已有推荐方法主要基于用户与项目的历史交互行为,未充分运用用户及项目相关特征信息,推荐效果并不理想。知识图谱（knowledge graph,KG）增强的图神经网络（graph neural network,GNN）推荐,是以用户与项目交互行为构建的交互图为基础,引入同为图结构的知识图谱,并运用图神经网络技术进行处理,从而实现个性化推荐。深入探讨了现有知识图谱增强的图神经网络推荐研究进展。首先在对图神经网络推荐和知识图谱推荐进行探讨的基础上,从项目知识图谱和协同知识图谱视角,深入分析了当前知识图谱增强的图神经网络推荐取得的相关研究成果;然后从大规模动态知识图谱处理、用户对项目属性的偏好挖掘、知识图谱的图嵌入学习等方面,指出了已有知识图谱增强的图神经网络推荐研究存在的主要问题;最后从动态时序知识图谱增强的GNN推荐、元学习的知识图谱增强GNN推荐、多模态知识图谱增强的GNN推荐、知识图谱增强的GNN跨领域推荐等方面,展望了知识图谱增强的图神经网络推荐未来主要研究方向。     

基于知识图谱技术的线上教学资源推荐系统设计与实现

【目的】本文立足于线上教学资源领域,利用知识图谱相关技术,设计并实现一种融合多种推荐策略的推荐系统。【应用背景】线上教学资源种类繁杂、数量众多,且缺乏规范化构建和系统化管理,为教师管理教学资源及学习者查找有效信息造成诸多不便。【方法】通过设计知识图谱数据结构,构建全学科内知识语义关联,融合图嵌入和规则抽取的方法,实现教学资源推荐。【结果】本文提出的线上教学资源推荐系统已应用于南开大学教学资源网平台,在多学科领域内的知识点推荐中展现出较好的效果。【结论】通过实验结果分析,验证了本文推荐系统在缓解“长尾效应”方面的有效性,并通过可视化案例分析,验证了其实用性。     

基于知识图谱的多目标学习资源推荐算法

为解决在线学习中出现的“认知过载”和“学习迷航”等问题,针对用户的个性化学习需求,同时考虑知识点之间的逻辑关系,本文将知识图谱融入学习资源推荐模型.首先构建了学科知识图谱、学习资源模型和用户数学模型,综合考虑用户的兴趣偏好、用户知识库与学习资源所涵盖知识点的关联度以建立多目标优化模型.然后使用自适应多目标粒子群算法对模型求解,基于个体拥挤距离降序排列缩减外部种群规模,获得了分布特征良好的两目标Pareto前沿,输出推荐资源序列.实验时通过与标准多目标粒子群算法对比并使用HV、IGD指标对模型进行评价,验证了其多样性和稳定性,证明了算法良好的全局寻优和收敛性能.采用五折交叉验证了算法良好的推荐效用.     

Fusion Recommendation System Based on Collaborative Filtering and Knowledge Graph

The recommendation algorithm based on collaborative filtering is currently the most successful recommendation method. It recommends items to the user based on the known historical interaction data of the target user. Furthermore, the combination of the recommended algorithm based on collaborative filtration and other auxiliary knowledge base is an effective way to improve the performance of the recommended system, of which the Co-Factorization Model (CoFM) is one representative research. CoFM, a fusion recommendation model combining the collaborative filtering model FM and the graph embedding model TransE, introduces the information of many entities and their relations in the knowledge graph into the recommendation system as effective auxiliary information. It can effectively improve the accuracy of recommendations and alleviate the problem of sparse user historical interaction data. Unfortunately, the graph-embedded model TransE used in the CoFM model cannot solve the 1-N, N-1, and N-N problems well. To tackle this problem, a novel fusion recommendation model Joint Factorization Machines and TransH Model (JFMH) is proposed, which improves CoFM by replacing the TransE model with TransH model. A large number of experiments on two widely used benchmark data sets show that compared with CoFM, JFMH has improved performance in terms of item recommendation and knowledge graph completion, and is more competitive than multiple baseline methods.     

基于建构主义学习理论的个性化知识推荐模型

个性化推荐正成为“互联网+”和“大数据”时代信息网络服务的基本形式,虽然其已在电子商务和社交媒体的广泛应用中产生了巨大的商业价值,但在具有巨大潜在社会价值的个性化知识学习领域,相关研究与应用还较为稀少.研究提出一种基于建构主义学习理论的个性化知识推荐方法——建构推荐模型.新模型首先考虑将知识系统以知识网络的形式进行表达,随后引入最近邻优先的候选知识选择策略,以及基于最大可学习支撑度优先的top-K未学知识推荐算法.建构推荐模型通过知识网络的知识关联结构挖掘用户知识需求,并推荐给出最具建构学习价值的待学新知识.以饮食健康知识系统学习为例的实验分析表明,新模型在多种情况下推荐产生的个性化知识序列均具有较强的知识关联性和较高的知识体系覆盖率.     

基于知识图谱的金融新闻个性化推荐算法

个性化新闻资讯推荐能够有效地捕捉用户兴趣,提供高质量推荐服务的能力,因而吸引了大量高黏性用户,而知识图谱则以"实体-关系-实体"的形式表示事物间的关系,通过知识图谱中实体间的关系学习到更丰富的特征及语义信息.为更好地实现金融领域新闻的个性化推荐,提出一种基于知识图谱的个性化推荐算法KHA-CNN.结合金融业知识图谱,采...     

基于异构图嵌入学习的相似病案推荐

患者病案是医生在临床诊疗中的重要依据,准确的相似病案推荐可以很好地辅助医生进行临床决策.本文提出一种新的面向真实诊疗场景的患者病案表示模型,通过异构图嵌入对诊疗过程产生的患者病案中的医疗实体及其关系进行建模,服务于更好的病案推荐.基于某三甲医院乳腺诊疗病案数据表明该模型相较于现有的表示方法推荐准确率提升2%.     

Future Event Prediction Based on Temporal Knowledge Graph Embedding

Accurate prediction of future events brings great benefits and reduces losses for society in many domains, such as civil unrest, pandemics, and crimes. Knowledge graph is a general language for describing and modeling complex systems. Different types of events continually occur, which are often related to historical and concurrent events. In this paper, we formalize the future event prediction as a temporal knowledge graph reasoning problem. Most existing studies either conduct reasoning on static knowledge graphs or assume knowledges graphs of all timestamps are available during the training process. As a result, they cannot effectively reason over temporal knowledge graphs and predict events happening in the future. To address this problem, some recent works learn to infer future events based on historical event-based temporal knowledge graphs. However, these methods do not comprehensively consider the latent patterns and influences behind historical events and concurrent events simultaneously. This paper proposes a new graph representation learning model, namely Recurrent Event Graph ATtention Network (RE-GAT), based on a novel historical and concurrent events attention-aware mechanism by modeling the event knowledge graph sequence recurrently. More specifically, our RE-GAT uses an attention-based historical events embedding module to encode past events, and employs an attention-based concurrent events embedding module to model the associations of events at the same timestamp. A translation-based decoder module and a learning objective are developed to optimize the embeddings of entities and relations. We evaluate our proposed method on four benchmark datasets. Extensive experimental results demonstrate the superiority of our RE-GAT model comparing to various baselines, which proves that our method can more accurately predict what events are going to happen.     

基于Beta分布和半监督学习的非确定性知识图谱嵌入模型

近年来,面向确定性知识图谱的嵌入模型在知识图谱补全等任务中取得了长足的进展,但如何设计和训练面向非确定性知识图谱的嵌入模型仍然是一个重要挑战。不同于确定性知识图谱,非确定性知识图谱的每个事实三元组都有着对应的置信度,因此,非确定性知识图谱嵌入模型需要准确地计算出每个三元组的置信度。现有的非确定性知识图谱嵌入模型结构较为简单,只能处理对称关系,并且无法很好地处理假负(false-negative)样本问题。为了解决上述问题,该文首先提出了一个用于训练非确定性知识图谱嵌入模型的统一框架,该框架使用基于多模型的半监督学习方法训练非确定性知识图谱嵌入模型。为了解决半监督学习中半监督样本噪声过高的问题,我们还使用蒙特卡洛Dropout计算出模型对输出结果的不确定度,并根据该不确定度有效地过滤了半监督样本中的噪声数据。此外,为了更好地表示非确定性知识图谱中实体和关系的不确定性以处理更复杂的关系,该文还提出了基于Beta分布的非确定性知识图谱嵌入模型UBetaE,该模型将实体、关系均表示为一组相互独立的Beta分布。在公开数据集上的实验结果表明,结合该文所提出的半监督学习方法和UBetaE模型,不仅...     

Graph Embedding Based API Graph Search and Recommendation

Searching application programming interfaces (APIs) is very important for developers to reuse software projects. Existing natural language based API search mainly faces the following challenges. 1) More accurate results are required as software projects evolve to be more heterogeneous and complex. 2) The semantic relationships between APIs (e.g., inheritances between classes, and invocations between methods) need to be illustrated so that developers can better understand their usage scenarios. To deal with these issues, we propose GeAPI, a novel graph embedding based approach for API graph search and recommendation in this paper. First, we build a software project's API graph automatically from its source code and represent each API using graph embedding methods. Second, we search the API graph with a question in natural language, and return the corresponding subgraph that is composed of relevant code elements and their associated relationships, as the best answer of the question. In experiments, we select three well-known open source projects, JodaTime, Apache Lucene and POI, as examples to perform API search tasks. The experimental results show that our approach GeAPI improves F1-score by 10% compared with the existing shortest path based API search approach, while reduces the average response time about 60 times.