针对RippleNet模型推荐结果中存在的用户兴趣属性失真问题,提出一种利用共有属性采样改进的推荐模型Ripple-Net-CA。首先,该模型通过共有属性采样替代原模型的随机采样,来重构知识图谱上的扩展偏好集合(RippleSet),基于增加RippleSet内...针对RippleNet模型推荐结果中存在的用户兴趣属性失真问题,提出一种利用共有属性采样改进的推荐模型Ripple-Net-CA。首先,该模型通过共有属性采样替代原模型的随机采样,来重构知识图谱上的扩展偏好集合(RippleSet),基于增加RippleSet内部节点间的共有属性频数、增强多跳扩展偏好之间的相关性,来提高用户特征包含的信息量。此外,将用户特征和物品特征送入模型,计算用户点击物品的概率,通过排序点击概率得到top-k推荐。实验结果表明,该模型在用户历史偏好多样的场景下,推荐结果更加符合用户的偏好习惯,推荐指标AUC(Area Under Curve)和多样性均获得了相应提升。展开更多
文摘针对RippleNet模型推荐结果中存在的用户兴趣属性失真问题,提出一种利用共有属性采样改进的推荐模型Ripple-Net-CA。首先,该模型通过共有属性采样替代原模型的随机采样,来重构知识图谱上的扩展偏好集合(RippleSet),基于增加RippleSet内部节点间的共有属性频数、增强多跳扩展偏好之间的相关性,来提高用户特征包含的信息量。此外,将用户特征和物品特征送入模型,计算用户点击物品的概率,通过排序点击概率得到top-k推荐。实验结果表明,该模型在用户历史偏好多样的场景下,推荐结果更加符合用户的偏好习惯,推荐指标AUC(Area Under Curve)和多样性均获得了相应提升。
