结合知识图谱的推荐数据集构建

将非结构化内容和知识图结合到推荐数据集中WeizheLin1，†，LinjunShou2，MingGong2，PeiJian3，ZhilinWang4，BillByrne1andDaxin Jiang21英国剑桥大学工程系2微软STCA，北京，中国3西蒙弗雷泽大学，英国哥伦比亚大学，加拿大4University of Washington，Seattle，美国摘要流行的书籍和电影推荐数据集可以与知识图（KG）相关联，从而能够开发基于KG的推荐系统。然而，这些方法中的大多数都是基于协同过滤的，使得基于内容的过滤方法未被开发. 这部分是由于缺乏项目 电影和书籍的摘要文本）。为了促进实现KG感知和内容感知推荐系统的研究，我们通过创建一个大规模的Movie-KG数据集和扩展已经公开的Amazon-Book数据集，通过合并从外部来源抓取的文本描述，为公共领域资源做出这两个数据集都提供了项目 我们提供基准测试结果，并显示基于内容的信息在提出建议方面的价值。关键词知识图谱，推荐系统，推荐数据集1. 介绍近年来，基于深度学习模型的现代推荐系统（RS）被认为是向用户推荐项目（如电影，书籍和新闻）的最有效的解决方案。最近的研究表明，RS可以受益于KGs提供的外部信息，以丰富用户/项目表示[1]，因此将知识图（KG）纳入推荐的兴趣越来越大KG将待推荐的项目链接到其他相关KG实体，并且这些连接用作诸如Amazon-Book和MovieLens-20 M的数据集提供用户-项目交互以及提供外部知识的KG。这使得对KG的推理和搜索成为可能。虽然KG可以很容易地将结构化的内容信息和外部知识，非结构化的内容，如项目描述，是未开发的，在这些流行的基于KG的推荐数据集。我们注意到第四版知识感知和会话推荐系统（KaRS）研讨会@ RecSys 2022，2023年9月18日[2]这项工作是林伟哲在微软STCA实习期间完成的wl356@cam.ac.uk（W. Lin）;lisho@microsoft.com（L.Shou）;migon@microsoft.com（M. Gong）; jpei@cs.sfu.ca（P.Jian）; zhilinw@uw.edu（Z. Wang）;bill. eng.cam.ac.uk（B.Byrne）; djiang@microsoft.com（D. 江）© 2022本文版权归作者所有。Creative Commons License许可使用署名4.0国际（CC BY 4.0）。CEUR研讨会论文集（CEUR-WS.org）最近的基于transformer的模型，如BERT [2]和GPT-2[3]，已被广泛用于新闻推荐中，用于从自然语言中提取描述性内容，并且它们已被证明是有效的。我们认为，书籍和电影的摘要文本也可以帮助改善仅依赖于交互和KG的KG感知系统。例如，两部电影内容感知系统可以从这些信息构建因此，在这项工作中，我们通过创建两个新的电影和书籍推荐数据集来为研究社区做出贡献：（1）通过添加书籍摘要文本来扩展广泛使用的Amazon-Book数据集，以及（2）新的大规模电影推荐数据集。它们都包括（1）大规模的用户-项目交互;（2）最新的，大规模的巨大知识图;（3）适合于基于内容的电影和书籍推荐的丰富描述性属性。基于这两个现实的数据集，我们提供了基准测试结果与选定的强协同过滤（CF）和基于内容的过滤（CBF）模型。概括而言，我们的贡献是：1. 我们扩展了流行的图书推荐数据集Amazon-Book，通过提取图书和-CEU Rhttp://ceur-ws.org讲习班ISSN1613-0073诉讼玛丽从网络资源发短信。2. 我们已经创建了一个全新的大规模电影推荐数据集。该数据集收集自微软Edge的真实用户，并且从内部知识库中提取KG和电影描述。3. 最后，我们为这两个数据集提供了具有强RS模型的基准结果。 结果表明，纳入非结构化内容导致系统的改进。2. 相关工作推荐数据集。表1的第一部分显示了一些流行的现有推荐数据集。MovieLens-20 M 1是一个流行的基准测试，已经被广泛使用，而Flixster 2很大，但在最近的工作中不太流行。 它们都是电影数据集，但它们不提供相关的KG 来支持KG 感 知 系 统 的 开发 。 Amazon-Book[4] 、 Last-FM[4] 、 Book-Crossing[5]3 和Alibaba-iFashion[6]被指定用于基于KG的CF模型评估。它们提供丰富的用户-项目交互，但提供非结构化的基于内容的信息（例如，自然语言的项目摘要文本）不包括在内。在新闻推荐方面，相比之下，Yahoo！数据集[7]，微软的MIND [8]是从真实用户行为中收集的更新和更大的数据集然而，这些数据集仅支持内容感知CBF模型的开发，因为没有KG可用。KG感知推荐系统。 超越传统--仅通过交互数据对用户和项目进行建模的传统CF模型[9，10，11，12，13，14，15，13，16，17，18，19，20，21]，基于KG的CF模型融合了来自辅助KG的外部知识，以提高推荐的准确性和可解释性[1，22]。利用KG的CF方法可以分为基于嵌入的方法[23，24，25]、基于路径的方法[26，27，28，29]和基于GNN的方法[30，31，27，4，32]。 CBF模型通过考虑与用户交互的项目的元数据（基于内容的信息）来将项目与用户匹配[33，34，35，36，37]，而最近流行的主题基于KG的CBF中的大多数研究集中于通过将相关KG实体映射到项目的内容来增强具有KG嵌入的项目表示，例如，联系我们[38]3. 数据集在本节中，我们介绍了两个新数据集的收集过程：（1）大规模高质量的1https://grouplens.org/datasets/movielens/2https://sites.google.com/view/mohsenjamali/flixter-data-sethttp://www2.informatik.uni-freiburg.de/ 3电影推荐数据集是从真实的用户行为中新收集的（Sec.（2 ）基于Amazon-Book 数据集[4]的Amazon-Book-Extended数据集，并新增了文本书籍描述（第3.1节）。3.2）。3.1. Movie KG数据集3.1.1. 数据集构建此数据集由真实用户浏览于2021年5月13日至2021年6月20日（共39天）期间由流行商业浏览器记录的日志而形成。首先通过将用户的真实身份（例如IP、账户标识符）与数据分离并为每个用户分配不敏感的唯一虚拟标识符来去除数据和隐私的敏感性为了将用户的浏览历史与电影联系起来，我们利用了一个商业知识图，该知识图由大量旨在覆盖该领域的实体和它们之间丰富的关系组成。与类型“电影”的实体一起提取其一跳邻居和边缘。以这种方式，从原始知识图中提取电影特定的子图。从数十亿的用户浏览日志中提取，执行KG实体链接以将网页标题与电影特定KG中的电影标题电影实体是使用提供命名实体识别和实体链接的内部服务提取的为了使数据集更紧凑：（1）通过聚合用户对同一电影的浏览时间，将连续和重复的用户交互合并到一个记录中（2）在39天内少于10次交互的较不活跃的用户被丢弃;（3）选择具有最多用户交互的最频繁的50，000部电影，因为尾部记录被认为是不可靠的。125，218名活跃用户和50，000部热门电影入选。与这些电影相关的KG实体被表示为形成具有250，327个实体（包括电影项目）的子KG每个用户都由[编辑]���������������������������H������������������]，其中������������������是已经与真实用户身份解除链接的唯一标识符，并且������������H������������������是用户已经浏览的电影项目的ID列表。为了训练和评估推荐系统，用户历史交互被分为训练集/验证集/测试集：前80%的用户������������������在验证和测试期间，训练集中的交互充当用户除了传统的数据分割策略之外，还创建了一个冷启动用户集，以评估模型在训练数据集之外的用户上的性能。3%的用户被转移到冷启动设置，并且在型号中不可用表1与现有推荐系统的流行数据集的比较Ent：实体; Rel：关系; UnCont：非结构化内容。类型数据集用户数项目数量互动次数KG#Ent.#Rel.三胞胎数量非连续电影MovieLens-20M138,00027,00020,000,000没有N/AN/AN/A没有影视Flixster1,002,79666,7301,048,576没有N/AN/AN/A没有书亚马逊图书70,67924,915847,733是的88,572392,557,746没有书图书穿越276,271271,3791,048,575是的25,7871860,787没有音乐Last-FM23,56648,1233,034,796是的58,2669464,567没有购物阿里巴巴iFashion114,73730,0401,781,093是的59,15651279,155没有新闻耶！-14,18034,022没有N/AN/AN/A是的新闻介意1,000,000161,01324,155,470没有N/AN/AN/A是的书Amazon-Book-Extended（Ours）70,67924,915847,733是的88,572392,557,746是的电影Movie-KG-Dataset（Ours）125,21850,0004,095,146是的250,3271212,055,581是的训练为了挑战系统这部分交互被分成冷启动历史集和测试集，冷启动历史集包含每个用户的前80%交互，测试集包含剩余的20%。与一些流行的现有推荐相比，1400012000100008000600040002000020406080100用户互动的时长300025002000150010005000050 100 150 200与电影互动次数数据集见表1。我们的新电影数据集基于大量用户群体和电影库存，并从具有数百万个三胞胎的广泛电影特定KG中提取这是现有流行电影推荐数据集尚未提供的丰富资源我们的数据集不仅提供了标题和gen-res（如MovieLens-20 M），还提供了其他基于内容的信息，例如电影的丰富摘要文本，可以使用BERT和GPT-2等大型语言理解模型进行基于内容的推荐3.1.2. 统计分析（ a ） 用 户 历 史 的 长 度（=32.70， = 45.76）20001500100050000500100015002000的电影(c)Movie-KG-Dataset 中 的 电影描述长度（=425.22， =329.93）（b）用户������1200100080060040020000 200 400 600许多书（d）Amazon-Book-Extended中图书说明的长度（ 100=151.75 ， 100=206.98）图1显示了数据集的关键统计数据。该数据集包含125，218个用户，50，000个电影项目和4M+交互。KG包含250，327个实体，具有12种关系类型和12，055，581个三元组。电影的属性包括基于内容的属性（标题、描述、电影长度）和已经绑定到知识图实体的属性（制作公司、国家、语言、制片人、导演、流派、评级、编辑、作家、荣誉、演员）。图图1（a）-1（c） 示出了每个用户与电影的交互的长度每个电影与用户的交互的数量以及电影描述的长度的分布电影描述的平均长度为425个单词，这对于模型从故事摘要编码电影来说足够长 平均用户交互次数为32.70，为长期用户兴趣建模提供了丰富的资源。对于大多数研究目的，前19天的数据（数据分布相似，但用户和交互较少）被分离为“标准”，而完整的39天数据则被发布为“扩展”，用于更广泛的用途，例如培训-图1：Movie-KG-Dataset的关键统计数据（图1）1（a）-1（c） ）和亚马逊图书扩展（图。1（d））。4.3.2. 扩展的Amazon Book数据集Amazon-Book数据集最初由[4]发布，并已用于许多高级推荐系统的开发。然而，该数据集仅提供CF交互数据，而没有CBF评估所需的为了填补这一空白，我们使用从多个数据源中提取的描述扩展了数据集，注意到数据集最初是在2014年收集的，许多项目已经在亚马逊网站上过期程序概述如下：（1）我们将亚马逊中的产品描述与Amazon-Book中的条目进行匹配，使用其独特的项目标识-4我们在我们的存储库中提供了这个扩展集的结果。用户数量案文篇幅的电影数量案文篇幅表2亚马逊图书扩展数据集的基准结果所提出的模型的最佳性能以粗体标记。报告3次运行的平均值以减轻实验随机性。召回ndcg命中率@20@60@100@20@60@100@20@60@100BPRMF0.13520.24330.30880.06960.095680.10890.23760.39840.4816CKE0.13470.24130.30700.06910.094820.10810.23730.39630.4800KGAT0.15270.25950.32270.08070.106550.11940.26020.41560.4931KGIN0.16540.26910.32980.08930.11450.12670.28050.42890.5040KMPN0.17190.27930.34050.09310.11890.13150.29100.44210.5166NRMS-BERT0.11420.20830.26710.05920.08170.09350.20570.34870.4273专家混合（KMPN + NRMS-BERT）0.17230.27910.32810.09330.11610.12140.29130.44250.5022CKMPN0.17180.28210.34600.09280.11970.13260.29080.44740.5244（asin）. 成功匹配了24，555个项目（98.56%）;（2）然后将剩余的每个项目与一个巨大的商业KG中最相关的条目进行匹配，这使得能够提取丰富的描述在这一步中匹配了325件商品;（3）剩余的28件商品与亚马逊中最相关的产品手动匹配描述长度的分布如图所示。1（d）.4. 标杆4.1. 评估指标按照惯例[19，4，6，40]，我们报告了用于评估模型性能的指标：（1）Recall@K：在前K项推荐中，系统为每个用户召回测试集浏览项目的程度;（2）ndcg@K（归一化折扣累积增益）[40]：当相关项目在推荐列表中出现较早时增加;（3）HitRatio@K：用户在推荐的前K项中找到至少一个感兴趣项目的可能性���4.2. 基线我们把最近发表的几个推荐系统的性能作为比较点5。我们仔细地从它们的存储库中复制了所有这些基线系统6。BPRMF[10]：一种强大的矩阵分解（MF）方法，应用通用优化标准BPR-选择个性化排名。受空间限制，其他MF模型（例如[41]，NFM [13]），因为BPRMF优于它们。CKE[24]：一种利用知识库中的异构信息进行推荐的CF模型5它们也是最近一篇论文中比较的基线系统[6]（WWW[6]因此，这里报告的结果可能与原始论文的结果不同KGAT[4]：知识图注意力网络（KGAT），它明确地对KG中的高阶KG连接进行模型KGIN[6]：最先进的基于KG的CF模型，将用户的潜在意图（偏好）建模KMPN[42]：一种基于KG的CF模型，通过学习一组偏好嵌入来对用户进行建模NRMS-BERT[42]：一个强大的CBF模型，它包含一个预先训练的BERT，用于从自然语言中提取它的灵感来自NRMS [34]，这是一个强大的新闻推荐系统，具有双编码器架构。混合专家：一个混合系统，其中输出KMPN和NRMS-BERT两个系统的分数通过多层感知（MLP）的3层以获得最终项目评级。CKMPN[42]：一种融合NRMS-BERT与KMPN特征的对比学习方法在训练中它也是一个混合系统，利用CBF和CF功能。4.3. 讨论在Amazon-Book-Extended数据集上，如表2所示，基于KG的系统（例如KGAT、KMPN）利用嵌入KG中的结 构 化 信 息 来 实 现 10.17Recall@20 。 CBF 系 统（NRMS-BERT）仅使用书籍的摘要文本达到0.1142Recall@20。其性能与基于KG的模型相差不远这表明我们对原始数据集的扩展是成功的，并且这种基于内容的信息可以用于进行内容感知推荐。最好的分数是通过混合方法（MoE和CKMPN），结合KMPN和NRMS-BERT提出建议。特别是，CKMPN模型改进了@60/@100的结果，表明即使NRMS-BERT的性能较低，基于KG的系统仍然可以从结合其功能中这表3Movie-KG-Dataset上的基准测试结果所提出的模型的最佳性能以粗体标记。报告3次运行的平均值以减轻实验随机性。召回ndcg命中率@20@60@100@20@60@100@20@60@100BPRMF0.13870.19440.22060.09610.11370.11920.19800.27850.3236CKE0.13690.18980.21500.09400.11080.11600.19500.27070.3155KGAT0.14030.19280.21850.10060.11730.12260.19970.27420.3196KGIN0.13510.21190.24450.09820.12540.13220.21940.30810.3643KMPN0.14340.21300.24270.10730.13050.13670.21930.30980.3602NRMS-BERT0.12410.16690.18900.10340.12130.12570.17280.23690.2773CKMPN0.14570.21570.24620.11490.14170.14820.22660.31530.3668在冷启动测试装置KMPN0.10190.16720.21220.05610.07100.08060.17830.28120.3414NRMS-BERT0.04370.09110.12530.02060.03140.03810.08070.15800.2071CKMPN0.10240.17410.21300.05700.07290.08080.18120.28390.3380还表明，基于内容的功能是有用的，但简单的聚合方案不能显着提高性能。如何更好地利用基于内容的特征是未来研究的一个挑战我们在Movie-KG-Dataset上观察到类似的趋势。混合方法，CKMPN，达到最佳性能。我们注意到NRMS-BERT 的 性 能 更 接 近 于 基 于 KG 的 模 型 （ 例 如 ，KMPN ） 。 基 于 内 容 的 特 征 带 来 的 这 是 因 为 与Amazon-Book-Extended相比，Movie-KG-Dataset具有更大的平均文本长度（425.22 vs. 151.75），提供更丰富的信息，从而产生更有区别的项目嵌入。表4中给出了系统的示例输出。Y/N表示电影是否出 现 在 四 个 模 型 （ KMPN/NRMS-BERT/ 专 家 混 合（MoE）/CKMPN）的前100个推荐列表中。这个用户浏览了由Christo- pher Nolan导演的Tenet（2020） 电影《源代码》（2011）和《特尼特》都是关于时间旅行的，但它们的摄制组截然不同。因此，NRMS-BERT认为《源代码》是正面的，它根据电影描述进行评估，但KG-based KMPN认为它是负面综合两个系统的评分，MoE没有推荐这部电影。然而，CKMPN补充了KMPN的失败，并通过对比学习学习基于NRMS-BERT的表示的内容感知项目表示，为这部电影给出了很高的分数相比之下，敦刻尔克（2017）是关于战争和历史的，这与特尼特不是同一个主题。然而，由于它们是由同一导演执导的，KMPN和CKMPN都推荐了这部电影，而MoE的预测受到NRMS-BERT的负面影响。本案例研究表明，知识库和非结构化内容（本案例中为电影摘要文本）对于提出建议。在克服每个物品属性的限制的同时利用它们是具有挑战性的表4一个浏览过电影《特尼特》（2020）的用户的案例研究。《 源 代 码 》（ 2011 ） 有 类似的 类 型 ， 而 《敦 刻 尔 克 》（2017）有相同的导演。Y/N：电影是否出现在模特的前100名推荐列表中。MoE：专家混合体。项目KMPNNRMS-BERTMoECKMPN02 The Dog（2011）NYNY敦刻尔克（2017）YNNY在冷启动测试集上，CF、CBF和混合方法的结果要低得多 性能降低在CBF模型上更明显（NRMS-BERT从0.1241下降到0.0437 Recall@20），因为该集合中的用户平均具有非常少（<20）的历史交互，使得基于内容的系统无法捕获他们的特征并做出合适的推荐。因此，另一个研究挑战是提高所有这些模型的冷启动性能，使模型对极端情况更加鲁棒。5. 结论为了便于研究如何开发KG感知和内容感知的RS模型，我们引入了两个数据集：（1）Amazon-Book-Extended，它继承了一个流行的图书推荐数据集，并通过摘要描述进行了新的扩展;（2）一个新的大规模电影推荐数据集Movie-KG-Dataset，基于最近在广泛使用的商业Web浏览器上收集的用户交互，并附有知识图和电影摘要文本我们提供的基准测试结果证明了结合基于内容的项目描述的价值。这两个数据集都在我们的github存储库中共享：https://github.com/LinWeizheDragon/Content-Aware-Knowledge-Enhanced-Meta-Preference-Networks-for-Recommendation。引用[1] Q. Guo，F.庄C. Qin，H. Zhu，X. Xie，H. 阿雄，Q. 他，基于知识图的推荐系统调查，IEEE知识与数据工程学报（2020）。[2] J. 德夫林，M.-W. Chang，K.李，K.Toutanova，BERT：用于语言理解的深度双向转换器的预训练，在：计算语言学协会北美分会2019年会议论文集：人类语言技术，第1卷（长论文和短论文），计算语言学协会，明尼阿波利斯，明尼苏 达 州 ， 2019 年 ， pp. 4171-4186. 网 址 ：https://aclanthology.org/N19 -142 3. doi ： 10.18653/v 1/N 19 - 1423。[3] A. Radford，J. Wu，R. Child，D. Luan，D. 阿莫代，I. Sutskever等人，语言模型是无监督的多任务学习者，OpenAI博客1（2019）9。[4] X. Wang，X.他，Y. Cao，M.刘德铭S. Chua，Kgat ： Knowledge Graph Attention Network forrecommendation ， 收 录 于 ： 第 25 届 ACMSIGKDD知识发现数据挖掘国际会议论文集，2019年，第10页。950-958[5] C.- N. 齐格勒，S。M. McNee，J.A. Konstan，G.Lausen ， Improvingrecommendationliststhrough topicdiversification， in ： Proceedingsof the 14th international conference on WorldWide Web，2005，pp.22-32.[6] X. Wang ， T.Huang ， 黄 氏 拟 谷 盗 D.Wang ，Y.Yuan、Z.Liu，X.他，T。S. Chua，与知识图进行交互以进行推荐的学习意图，载于：2021年网络会议论文集，2021年，pp. 878-887.[7] Z.杨角，澳-地Xu，W. Wu，Z. Li，阅读，参加并评论：自动新闻评论生成的深度架构，在：2019自然语言处理中的EM-pathogen方法会议（EMNLP），2019。[8] F. Wu，Y.乔，J. -H. Chen C.，马缨丹属Wu，T.Qi，J.丽安，D. Liu，X. Xie，J. Gao，W. Wu等人，Mind：Alarge-scale dataset for news recommendation，in：Proceedings of the 58th Annual Meeting oftheAs-sociationforComputationalLinguistics，2020，pp.3597-3606.[9] Y. 科伦河，巴西-地贝尔角，澳-地Volinsky矩阵分解推荐系统的技术，计算机42（2009）30[10] S. 伦德尔角，澳- 地弗罗伊登塔勒 Z. 伊沃纳湖Schmidt-Thieme ，Bpr：Bayesian personalizedrankingfromimplicitfeedback ， in ：Proceedings of the Twenty-Fifth Conference onUncertainty in Artificial Intel- ligence ， UAI'09，AUAI Press，Arlington，Virginia，USA，2009，p. 452-461[11] Y. Koren，因式分解满足邻域：多方面的协同过滤模型，在：Proceedings of the 14 th ACMSIGKDDInternationalConferenceonKnowledge Discovery and Data Mining ， KDD'08 ， Association for Computing Machinery ，New York，NY，USA，2008，p.426 -434中。网址：https://doi.org/10.1145/1401890。1401944。doi：10. 1145/1401890. 1401944。[12] S. Rendle ， Factorization machines with libfm ，ACM Transactions on Intelligent Systems andTechnol-ogy（TIST）3（2012）1-22。[13] X.他，T。S. Chua，用于稀疏预测分析的神经因子分解机器，在：第40届国际ACM SIGIR信息检索研究与开发会议的开幕式上，SIGIR'17，美国纽约州纽约市计算机协会，2017年，第355-364页。网址：https://doi.org/10.1145/3077136 。 3080777doi ：10. 1145/3077136。3080777[14] R. J. Oentaryo，E.P. 林，J. -W. 低，D。Lo，M.Fine- gold ， Predicting response in mobileadvertisingwithhierarchicalimportance-awarefactorization machine，in：Proceedings of the7th ACM international conference on Websearch and data mining，2014，pp.123-132[15] H.郭河，巴西-地 TANG，Y. 是的Z Li，X. He，Deepfm：A factorization-machine based neuralnetwork for ctr prediction，in：Proceedings ofthe Twenty-Sixth International Joint Conferenceon Mathematical Intelligence ， IJCAI-17 ，2017，pp.1725-1731.网址：https://doi.org/10.24963/ijcai.2017/23 9. doi ： 10.24963/ijcai. 2017/239 .第239段。[16] W. Zhang，T.Du，J.Wang，Deep learning overmulti-field categorical data ， in ： Europeanconferenceoninformationretrieval，Springer，2016，pp.45比57[17] H.- T. 澄湖，澳-地Koc，J.Harmsen，T.颤抖，T。陈德拉，H。Aradhye ，G.安德森，G。Corrado，W.柴，M. 伊斯皮尔河 Anil，Z. 哈克湖 Hong，V. 杰恩X. Liu，H. Shah，Wide deep learning for rec-ommender systems ， in ： Proceedings of the1stWorkshoponDeepLearningforRecommenderSystems ， DLRS2016 ，Association for Comput- ing Machinery ， NewYork ， NY ， USA ， 2016 ， p. 7-10. 网 址 ：https://doi.org/10.1145/2988450.2988454。doi：10.1145/2988450。二九八八四五四。[18] Y. Qu，H.蔡氏K.任，W。Zhang，Y.Yu，Y.温先生，J. Wang，面向用户的基于产品的神经网络响应预测，在：2016 IEEE第16届国际数据挖掘 会 议 （ ICDM ） ， IEEE ， 2016 ， pp.1149-1154.[19] X.赫利湖，加-地Liao，H.张丽Nie，X.胡，T.- S.Chua ， Neural collaborative filtering ， in ：Proceedingsofthe26thInternationalConference on World Wide Web ， 2017 ，pp.173-182.[20] R. 英 河 ， 巴 西 - 地 他 ， K 。 Chen ， P.Eksombatchai，W. L. Hamilton，J. Leskovec，Graph convolutionalneural networks for web-scale recommender systems ， in：Proceedingsofthe24thACMSIGKDDInternationalConference on Knowledge DiscoveryData Mining，2018，pp.974-983。[21] X.他，K。Deng，X. Wang，Y. Li，Y. Zhang，M.Wang ， Lightgcn ： Simplifying and PoweringGraphConvolutionNetworkforRecommendation ，in ：Proceedings of the 43rdInternational ACM SIGIR conference on researchand development in Information Retrieval ，2020，pp. 639-648[22] J. Chicaiza，P. Valdiviezo-Diaz，基于知识图的推荐系统的全面调查：技术，开发和贡献，信息12（2021）232。[23] H. Wang，F. Zhang，M. Zhao，W. Li，X. Xie，M.郭，知识图增强推荐的多任务特征学习，在：万维网会议，2019年，pp.2000-2010年。[24] F. Zhang，N. J. Yuan，D. Lian，X.谢伟Y. Ma，Col-laborativeknowledgebaseembeddingforrecommender systems，in：Proceedings ofthe 22nd ACM SIGKDD international conferenceon knowledge discovery and data mining ，2016，pp.353-362.[25] Y. Cao，X. Wang，X.他，Z。胡，T.- S. Chua，Uni-fyingknowledgegraphlearningandrecommendation：Towardsabetterunderstanding of user preferences ， in ： Theworld wide web conference ， 2019 ， pp.151-161.[26] B. Hu，C.施，W。X. Zhao，P.S. Yu，利用基于Meta路径的上下文与神经共同注意力模型进行top-n推荐，在：第24届ACM SIGKDD知识发现数据挖掘国际会议论文集，2018年，pp.1531-1540.[27] J. Jin，J.Qin，Y.Fang，K.杜，W.Zhang，Y.余先生，Z. Zhang，中国古柏A. J. Smola，一种高效的基于邻域的交互模型，用于异构图上的推荐，在：第26届ACM SIGKDD国际知识发现数据挖掘会议论文集，2020年，pp.75比84[28] X. Yu，X.任，Y.孙角，澳-地古湾，澳-地斯特尔特 大 学 坎 德 尔 瓦 尔 湾 Norick ， J.Han ，PersonalizedEntityRecommendation ： AHeterogeneous Information Network Approach，in ： Proceedings of the 7th ACM internationalconference on Web search and data mining ，2014，pp.283-292。[29] H. 赵，英-地Yao，J.Li，Y.Song，D.L. Lee，异构信息网络上基于元图的推荐融合，在：第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集，2017年，第11页。635-644[30] H. Wang，F.Zhang，M.Zhang，J.Leskovec，M.赵、W. Li ， Z. Wang ， Knowledge-aware graphneuralnetworkswithlabelsmoothnessregularization for recommender systems ， in ：Proceedingsofthe25thACMSIGKDDinternationalconferenceonknowl-edgediscovery data mining，2019，pp.968-977。[31] H. Wang，M. Zhao，X. Xie，W. Li，M.郭，用于推荐系统的知识图卷积网络，在：万维网会议，WWW '19，计算机械协会，纽约，纽约，美 国 ， 2019 年 ， 第 3307-3313 页 。 网 址 ：https://doi.org/10.1145/3308558 。3313417 。doi：10. 1145/3308558。3313417。[32] Z. Wang，G. Lin，H.坦角，澳-地Chen，X. Liu，Ckan：推荐系统的协作知识感知关注网络，在：第43届国际ACM SIGIR会议论文集，2020年，pp.219-228[33] J. Liu，P.Dolan，E.R. Pedersen，Personalizednewsrecommendationbasedonclickbehavior