基于知识图谱的智能推荐
6页1、基于知识图谱的智能推荐 【摘要】 推荐系统通过分析用户行为、兴趣、需求等信息,在海量的数据中挖掘用户感兴趣的信息,为用户作出个性化的推荐。知识图谱作为混合推荐系统中一类有效的辅助信息,有效地解决推荐系统中存在的一系列关键问题, 例如数据稀疏、冷启动、推荐多样性等。本文主要介绍了将知识图谱的特征学习应用到推荐系统的三种方法,分别以三种深度学习框架为例,对方法进行了概述。一、背景介绍 推荐系统是为用户推荐个性化的在线商品或信息,广泛应用于众多Web 场景之中,来处海量信息数据所导致的信息过载问题, 以此提升用户体验。 个性化推荐算法主要有3类:基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。其中,协同过滤方法通过利用用户历史的行为偏好数据构建模。尽管协同过滤方法通常是有效且普适的,但存在两个问题:用户和物品之间的行为关系数据的稀疏问题和对新用户或者新物品进行推荐时存在的冷启动问题。因此,研究者尝试将协同过滤推荐算法和其他辅助信息相结合(例如用户与物品的属性特征、用户社交网络信息等)搭建混合推荐系统来解决以上问题,从而提升推荐效果。 知识图谱作为混合推荐系统中一类有效的辅助信息,近
2、年来受到了大量研究者的关注。知识图谱是一种知识库,其概念最早由Google公司提出,目的在于提升搜索引擎的搜索质量。知识图谱的本质是一个存储知识与实体之间关系的结构化网络,其包含节点-实体与有向边-关系,因而蕴含了推荐系统中对于物品的大量背景信息,以及物品之间的关系。并且它可以与用户行为数据构成的用户-物品网络集成起来,从而扩展了用户与商品之间存在的隐藏的关联关系,补充了用户与物品交互数据,因此可以更进一步地提升推荐效果。 表1汇总了部分常见的知识图谱, 其中包括诸如YAGO KG、DBpedia KG、Freebase KG和OwnThink KG等通用知识图谱,也有如WordNet、UMLS、Doubans movie KG和MusicBrainz等特定领域的知识图谱。这类特定领域下的知识图谱往往拥有比通用化知识图谱更完整的领域内实体和关系。表1-常见的大规模知识图谱二、如何将知识图谱的特征学习应用到推荐系统?三种方法:依次训练、联合训练、交替训练(如下图1)图1 知识图谱应用于推荐系统的三种方法依次训练指的是知识图谱首先通过embedding得到实体与关系向量,然后引入推荐系统学
《基于知识图谱的智能推荐》由会员ji****81分享,可在线阅读,更多相关《基于知识图谱的智能推荐》请在金锄头文库上搜索。
药物合成优化-绿色环保新工艺
网络安全运营中心的技术和实践
环境教育与公众参与-第2篇分析
五金行业跨境电商与全球化发展
量化交易策略的执行算法优化
食品中营养成分的检测与评价
牛黄清火丸抗过敏性鼻炎作用与信号通路机制
新能源在航空航天领域的机遇
物联网企业信息系统定制开发的智能制造与工业0
纤维素纳米晶增强纺织材料的性能研究
污染物生态风险评估与防控技术
无人船在海洋经济中的应用
智慧城市与专业服务业产业融合发展策略研究
基于光子的量子信息处理研究
奥拉西坦治疗创伤后应激障碍的研究
四元组群表示理论及应用
农业品牌建设与营销策略研究
复杂网络中的结构筛选
高血压并发症健康教育干预效果
中药材仓储国际化与全球化发展
2022-03-24 12页
2022-03-24 11页
2022-03-24 10页
2022-03-24 25页
2022-03-24 13页
2022-03-24 18页
2022-03-24 10页
2022-03-24 32页
2022-03-24 8页
2022-03-24 9页