提升推荐精准度：基于知识图谱的行为路径协同过滤算法

本文主要探讨了基于知识图谱的行为路径协同过滤推荐算法（BR-CF），针对个性化推荐领域中的挑战。传统推荐算法如内容推荐、物品协同过滤（ItemCF）和用户协同过滤（UserCF）往往依赖于用户的显性反馈，如标签和评分，这限制了算法对用户多维度行为和行为顺序的理解，从而导致推荐精度不高以及在新用户（冷启动）场景下的性能问题。 作者们注意到这些问题，因此设计了一种创新的方法来解决。首先，他们从用户行为数据出发，构建行为图谱（behavior graph）和行为路径（behavior route），通过考虑行为的顺序性，捕捉用户行为模式的复杂性。行为图谱描绘了用户与物品之间的交互关系，而行为路径则反映了用户行为序列。 接着，利用词嵌入技术（Keras Tokenizer）将文本型的行为路径转换为数值向量，这样可以将非结构化的路径信息转化为机器学习模型可以处理的形式。这种向量化过程有助于提取路径特征，保留行为路径中的语义信息。 在向量表示的基础上，文章提出了一种多维度行为路径协同过滤推荐策略。该算法不仅考虑单个行为路径的相似性，还对不同维度的行为路径向量进行综合分析，从而提供更精准的个性化推荐。这种方法旨在充分利用行为路径的时空信息和行为序列，提升推荐的准确性，并可能减少冷启动问题。 此外，文章还提到了该研究得到了国家重点研发计划项目的资助（2018 YFB14044000），这表明其在国家层面具有一定的科研价值和实际应用前景。研究团队由陈源毅、冯文龙、黄梦醒、冯思玲等学者组成，其中冯文龙作为通信作者，邮箱地址为fwl_fwl@163.com。 总结来说，这篇文章介绍了一种新颖的推荐算法，它通过结合知识图谱和行为路径分析，优化了推荐系统的性能，特别是在处理用户行为序列和解决冷启动问题上展现出显著优势。这种方法为个性化推荐领域的研究提供了新的视角和技术手段。