基于图注意神经网络的知识图谱推荐系统

针对当前推荐系统对邻阶信息利用不高的问题,将知识图谱应用到推荐系统,增加注意嵌入传播层,学习知识图谱中与实体相邻的节点信息,通过挖掘实体之间的相关属性,能够有效的学习实体间的关系,大幅度提高信息的利用效率以及推荐系统的性能。为验证该方法的有效性和正确性,在两个知识图谱数据集上进行实验,并与相关基线模型进行对比。实验结果表明,本方法能够有效利用邻阶信息,提高推荐系统正确率。     

融合知识图谱的推荐系统研究进展

针对推荐系统存在的数据稀疏、冷启动、推荐可解释性低、个性化不足等问题,分析知识图谱在推荐系统中的融入情况.从推荐系统的需求、知识图谱的相关概念、推荐系统与知识图谱的融合方式3个方面,对当前推荐系统存在的问题及推荐系统融合知识图谱后的解决方案进行概括.总结近年来通过结合注意力机制、神经网络、强化学习方法,采用取舍节点、整合节点、探索路径等原理充分利用知识图谱中复杂结构信息,从而提升推荐系统满意度.提出融合知识图谱的推荐系统所面临的知识图谱完备性、动态性、高阶关系可利用度以及推荐性能方面的挑战及未来可能的发展方向.     

基于知识图谱的国内外个性化推荐比较研究

在CNKI和SCI中以＂个性化推荐＂为主题词进行检索,同时借助Excel和Citespace可视化研究工具,对采集的数据进行文献共被引分析和关键词聚类分析,对国内外发文量、高被引情况进行比较,描述该领域在研究热点方面的状况,探讨国外研究前沿,为我国个性化推荐的研究提出建设性意见和建议。     

知识图谱在推荐系统中的应用研究

随着知识图谱技术的发展,在构建太阳能光伏产业新兴技术辨识模型的基础上,根据相关软件所生成的科学知识图谱提取出技术演进的时间维度及领域维度,具有很强的研究意义;同时,设备选型和物资采购等活动使得用户从大量的信息中挑选目标信息变得复杂且耗时。推荐系统(RS)旨在为用户找到满足个性化兴趣的一组物品来解决信息爆炸的问题,但目前仍存在冷启动等不足。利用知识图谱分析并构建用户和项目的关系模型,可以有效地提高个性化推荐的精确度。为此,研究了如何利用知识图谱进行准确和可解释的推荐,并指出了该领域可能的研究方向。     

基于RippleNet的实体加权新闻推荐

推荐系统一直是信息检索研究的热点。相比于电影推荐、旅游推荐等项目推荐,新闻推荐具有新闻文章批量大、时效性强的特点,从而对算法有着更高的要求。文章在RippleNet模型的基础上,引入实体入度的概念,通过把多边实体进行加权,突出个别实体的重要程度,以提高新闻推荐的精度。在新闻数据集的性能验证结果表明,该模型相比于其他基线模型,整体精度提升了1.7%。     

基于跨视图对比学习的知识感知推荐系统

知识感知推荐(KGR)领域普遍存在监督信号稀疏问题,为了解决这个问题,对比学习方法被越来越广泛地应用于KGR。但是,过去基于对比学习的KGR模型仍存在一些问题:(1)使用图卷积对所有邻居节点直接聚合,无法排除知识图谱中不必要邻居节点信息的干扰;(2)只关注全局视图的信息,忽略了局部特征,这会导致过平滑问题。为了解决以上问题,提出一种基于跨视图对比学习的知识感知推荐系统(KRSCCL)。KRSCCL使用关系图注意力网络构建包含用户、物品和实体节点的全局视图;使用轻量级图卷积网络构建包含用户和物品节点的局部视图,强调局部特征,有效地缓解过平滑问题。最后,在构建的两个视图的图内和图间节点对之间进行对比学习,以充分提取KG信号,优化用户和物品表示。论文方法在三个不同领域的公开数据集上进行了大量实验,实验结果表明:关系图注意力网络可以有效排除复杂网络聚合时的噪声问题;引入局部视图可以优化节点表示生成,缓解过平滑问题;KRSCCL模型在这三个数据集上都表现良好,在电影领域数据集Movielens-1M上,其推荐的F1分数较最强基线提升2.0%;在音乐领域数据集Last.FM上,其推荐的F1分数较最强基线提升0.3%;在书籍领域数据集Book-crossing上,其推荐的F1分数较最强基线提升5.1%。证明了论文方法的有效性。     

知识图谱驱动的工件加工变形知识应用探索

针对工件加工变形研究领域面临的知识体系碎片化,信息资源孤立分散,检索效率不高,决策支持不足以及缺乏个性化知识推荐服务等问题,利用图算法对构建的工件加工变形知识图谱进行可视化分析,开发了工件加工变形知识推荐系统与智能问答系统。通过对系统的实例验证,结果表明,图算法实现了知识的聚类分析和中心性分析;与传统信息检索系统相比,推荐系统提高了信息检索效率和准确性;问答系统提升了知识响应速度和可解释性。     

基于知识表示学习的知识图谱补全研究综述

知识图谱补全能够将知识图谱补充完整,是知识图谱领域的一个研究热点。基于知识表示学习的知识图谱补全学习知识的向量表示,利用向量的计算挖掘知识图谱中的隐藏关联,具备更高的计算效率和更强的泛化能力,是知识图谱补全最好的方案之一。首先,介绍知识图谱补全和知识表示学习的概念;其次,按照实体和关系是否固定分别介绍静态知识图谱补全和动态知识图谱补全,对两个不同场景下各类算法的思路及改进过程进行详细说明;最后,总结知识图谱补全研究现状并展望未来研究方向。     

关系生成图注意力网络的知识图谱链接预测

针对实体邻域三元组缺少联系的问题,提出基于关系生成图注意力网络(RGGAT)的知识图谱链接预测方法. 利用不同类型的关系生成相应的注意力机制参数,邻域三元组按照关系类型使用对应的参数计算注意力系数. 实体通过聚合以关系为主导的邻域三元组信息得到更丰富的嵌入向量. 在训练过程中对编码器和解码器进行共同训练,将编码器更新的实体向量和关系向量直接输入到解码器中,保证编码器和解码器训练目标一致. 在3个公开数据集上进行链接预测实验,对比实验选用目前主流的5个模型作为基线. RGGAT方法在3个数据集上的Hits@10能达到0.519 8、0.510 4和0.973 9,高于传统图注意力网络嵌入方法的. 在邻域聚合阶数对比实验中,1阶关系邻域聚合的方法相比2阶关系在Hits@10上提升3.59%.     

基于知识图谱的数控机床故障问答系统研究

当前数控机床故障方面的查询机制尚不完善,机床工人在查找故障原因所在时往往需要花费较多的时间.为改善现状,从内蒙古某机械厂的数控机床故障数据中抽取其三元组,构建数控机床故障知识图谱,在此基础上开发知识图谱问答系统.构建数控机床故障知识图谱问答一般会包括4个步骤：数控机床故障问句实体识别;数控机床故障属性映射;数控机床故障实体链接;答案返回.设计ALBERT+Attention+BiLSTM+CRF模型识别问句中的数控机床故障实体;然后在所创的数控机床故障知识图谱中找到对应实体的三元组进行返回;通过训练属性映射模型,选择得分较高的几个三元组作为预选答案,最后通过实体链接重排序返回答案.在内蒙古某机械厂数控机床故障知识图谱数据集上分析并验证了所提方法的有效性.     

融合GAT和TransH的中韩跨语言实体对齐方法研究

为研究中韩双语实体自动对齐方法,提出了一种融合图注意力网络(GAT)和基于超平面平移的知识图谱嵌入模型(TransH)的跨语言实体对齐模型.使用中韩实体数据集对模型进行验证表明,该模型的Hits@1、Hits@5和Hits@10在韩文对齐中文时分别达到了49.62%、 80.89%和91.76%, 在中文对齐韩文时分别达到49.79%、 80.74%和91.67%, 且优于传统的基于知识嵌入或图嵌入的对齐方法.因此该模型可为构建中韩对齐知识图谱以及其他语言的对齐知识图谱提供参考.     

端到端异构图信息协同过滤推荐

知识图谱(KG)在挖掘推荐场景中项目之间高阶关系方面逐渐成为一项重要趋势。尽管一些基于知识图谱的模型,如知识图注意网络(KGAT),能够有效建模一阶关系,但它们面临着无法对高阶关系中的协作信息进行建模的挑战。此外,现有的基于知识图谱的模型将交互行为简化为一种知识图谱关系,直接将用户-项目二分图与知识图融合成为一个整合图,却忽略了图结构之间的异构性,导致无法充分保留图内特定属性。在这项研究中,深入分析了交互行为和关系链接之间的潜在差异与联系,并提出了一种名为异构图信息协同过滤(HGICF)的创新消息传播机制。该机制能够将用户-项目行为和知识图谱辅助信息的协作特征有效传播到一个综合的模型中。这一解决方案不仅维持了图内属性的依赖关系,而且有助于跨图信息的有效聚合。为了深刻理解知识图谱和二部图之间的协作关系,进一步提出了共享特征协同过滤层,该层能够根据不同的数据结构和需求设置不同的层级。实验结果表明,HGICF在性能上显著优于当前方法。     

基于兴趣注意力网络的会话推荐算法

针对现有基于图神经网络的会话推荐算法对用户主要兴趣偏好提取不充分的问题,提出了一种基于兴趣注意力网络的会话推荐算法（Session-Based Recommender Method Based on Interest Attention Network,SR-IAN）。首先,使用图神经网络捕获物品之间的上下文转换关系,得到物品的图嵌入向量;其次,将图嵌入向量输入兴趣注意力网络中,提取用户的主要兴趣偏好;然后通过注意力层对物品的图嵌入向量进行加权区分;最后,通过预测层得到候选物品的点击概率值并对其进行排序。算法模型在3个公开数据集Diginetica、Retailrocket和Tmall上进行了实验验证,相比基准模型在MRR@20指标上分别有0.942%、1.183%和2.977%的提升,同时降低了模型时间复杂度,验证了该方法的有效性和高效性。     

基于元图归一化相似性度量的实体推荐

基于异构信息网络(heterogeneous information networks, HIN)中元图的良好表征特性,提出一种结合隐式反馈和PathSim(meta path-based similarity)的归一化相似性度量(normalized similarity measure of meta graph, NSMG),以解决对异构信息网络中高度可见实体的偏好问题。针对Yelp和Amazon数据集构建Yelp-HIN(heterogeneous information networks in Yelp)和Amazon-HIN(heterogeneous information networks in Amazon),定义不同类型的元图及归一化相似度量,使用矩阵分解和因子分解机来组合计算不同元图上的相似性。试验结果表明,基于NSMG的方法在非常稀疏的数据集上性能表现优于常用的HIN实体推荐方法。     

结合全局信息增强的医学领域命名实体识别研究

中文医疗问诊文本中,由于口语化的不规则表达和专业术语的频繁出现,药物名称等实体难以被精准地识别出来。为了充分利用中文句子词间关系的重要作用,提出了一种用于增强全局信息的医学命名实体识别模型。模型利用注意力机制增强了词嵌入表征,并在使用双向长短时记忆网络的序列处理能力获取上下文信息的基础上,同时从两个方面丰富了句子的全局信息表示。其一是根据句法关系获取词语之间额外依赖关系构建了图卷积网络层用于丰富词间的依赖;其二是构建了辅助任务用于预测词间句法依赖关系的类别。在中文医疗问诊数据集上的实验结果表明,模型具有很好的竞争力,F1值达到94.54%。与其他模型相比,在药物和症状等实体类别的识别上取得了明显提高。在微博公开数据集上的实验也表明,模型具有通用领域的应用价值。     

癫痫病相关论文多模态知识图谱的构建初探

癫痫病相关论文缺乏命名实体识别和关系抽取任务的标注数据,命名实体识别和关系抽取模型无法用常规方法训练。为解决该问题,针对癫痫病相关论文的数据特点,改进了命名实体识别和关系抽取模型,提出利用相近领域的医疗数据和预训练模型构建零资源癫痫病领域命名实体识别和关系抽取模型。评估了现有无监督和半监督模型在癫痫病领域论文数据集上的性能,并针对数据集特征引入域对抗网络和关系判别器,有效地提高了命名实体识别和关系抽取模型的性能。将癫痫患者的脑电特征以视觉模态嵌入知识图谱中,在提高脑电分析可解释性的同时,构建了更加直观的多模态知识图谱。     

注意-情绪协调的个性化信息推荐模型

在分析注意、情绪及两者关系的基础上,提出了注意-情绪协调模型,并以情绪唤醒选择性注意. 在北京旅游信息推送服务中,综合考察用户的注意、情绪和信息的语义特征,提出了注意-情绪协调的个性化信息推荐模型. 通过在推荐模型中加入情感风格,整合信息资源,使信息呈现方式适应用户的注意选择性特征,为个性化信息服务和新型人机交互提出了一种新思路。