知识图谱与协同过滤融合的混合推荐模型提升准确与可解释性

本文介绍了一种融合知识图谱和协同过滤的混合推荐模型，旨在解决传统协同过滤算法可解释性不足以及基于内容推荐方法信息提取困难和效率低的问题。该模型由两部分组成：RCKD模型和RCKC模型。 RCKD（知识图谱与深度学习结合）模型采用知识图谱的推理路径，并利用TransE算法将路径转换为向量表示。模型通过LSTM（长短时记忆网络）捕捉路径推理的语义，SoftAttention机制则帮助区分不同路径的重要性。这些处理后的信息经过全连接层和sigmoid函数计算出预测评分，从而提升推荐的准确性并增强解释性。 另一方面，RCKC（知识图谱与协同过滤结合）模型依据知识图谱表示学习的语义相似性，通过协同过滤技术进行推荐。这种方法利用了知识图谱中的关联信息，提供一种更全面的用户行为理解。 混合推荐模型ξ通过结合RCKD和RCKC模型的预测评分，综合考虑两种方法的优点，实现更准确且可解释的推荐。实验结果显示，在Movielens数据集上，与RKGE（知识图谱嵌入模型）、Ripple模型和经典协同过滤算法相比，该混合模型在推荐可解释性和推荐准确率上表现出明显优势。 这种创新的方法充分利用了深度学习的表达能力和知识图谱的结构信息，为推荐系统提供了更为精确和可理解的推荐策略。通过混合不同推荐技术，模型克服了单一方法的局限，提升了推荐效果，对于实际的个性化推荐场景具有重要的应用价值。