融合多时间尺度和特征加强的知识图谱推荐模型

doi:10.11772/j.issn.1001-9081.2021071241

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (4): 1093-1098.DOI: 10.11772/j.issn.1001-9081.2021071241

• CCF第36届中国计算机应用大会 (CCF NCCA 2021) • 上一篇

融合多时间尺度和特征加强的知识图谱推荐模型

张素琪¹(), 王鑫鑫², 佘世耀³, 顾军华³^,⁴

^1.天津商业大学信息工程学院，天津 300134
^2.天津商业大学理学院，天津 300134
^3.河北工业大学人工智能与数据科学学院，天津 300401
^4.河北省大数据计算重点实验室（河北工业大学），天津 300401

收稿日期:2021-07-16 修回日期:2021-09-14 接受日期:2021-09-18 发布日期:2021-09-27 出版日期:2022-04-10
通讯作者: 张素琪
作者简介:王鑫鑫（1999—），女，陕西咸阳人，硕士研究生，主要研究方向：推荐系统、智能信息处理
佘世耀（1995—），男，河北邯郸人，硕士，主要研究方向：推荐系统、智能信息处理
顾军华（1966—），男，天津人，教授，博士，CCF会员，主要研究方向：智能信息处理、数据挖掘。
基金资助:
国家自然科学基金资助项目(61802282)

Knowledge graph recommendation model with multiple time scales and feature enhancement

Suqi ZHANG¹(), Xinxin WANG², Shiyao SHE³, Junhua GU³^,⁴

^1.School of Information Engineering，Tianjin University of Commerce，Tianjin 300134，China
^2.School of Science，Tianjin University of Commerce，Tianjin 300134，China
^3.School of Artificial Intelligence，Hebei University of Technology，Tianjin 300401，China
^4.Hebei Province Key Laboratory of Big Data Calculation （Hebei University of Technology），Tianjin 300401，China

Received:2021-07-16 Revised:2021-09-14 Accepted:2021-09-18 Online:2021-09-27 Published:2022-04-10
Contact: Suqi ZHANG
About author:WANG Xinxin， born in 1999， M. S. candidate. Her research interests include recommender system， intelligent information processing.
SHE Shiyao， born in 1995， M. S. His research interests include recommender system， intelligent information processing.
GU Junhua， born in 1966， Ph. D.， professor. His research interests include intelligent information processing， data mining.
Supported by:
National Natural Science Foundation of China(61802282)

摘要/Abstract

摘要：

针对现有的知识图谱推荐模型没有考虑到用户的周期特征以及待推荐项目会对用户近期兴趣产生影响的问题，提出一种融合多时间尺度和特征加强的知识图谱推荐模型（MTFE）。首先，采用长短期记忆（LSTM）网络在不同时间尺度上挖掘用户的周期特征并融入到用户表示中；然后，通过注意力机制挖掘待推荐项目中与用户近期特征相关性较强的特征，将其加强后融入项目表示中；最后，通过评分函数计算用户对待推荐项目的评分。在真实数据集Last.FM、MovieLens-1M和MovieLens-20M上把所提模型和个性化实体推荐（PER）、协同知识嵌入（CKE）、LibFM、RippleNet、知识图卷积网络（KGCN）、协同知识感知注意网络（CKAN）等知识图谱推荐模型进行对比。实验结果表明，在三个数据集上MTFE相较于表现最优的对比模型的F1性能分别提升了0.78、1.63和1.92个百分点，AUC指标在三个数据集上分别提升了3.94、2.73和1.15个百分点。可见，所提模型相较于对比图谱推荐模型有更好的推荐效果。

Abstract:

Aiming at the problems that the existing knowledge graph recommendation models do not consider the periodic features of the user and the items to be recommended will affect the recent interests of the user， a knowledge graph recommendation model with Multiple Time scales and Feature Enhancement （MTFE） was proposed. Firstly， Long Short-Term Memory （LSTM） network was used to mine the user’s periodic features on different time scales and integrate them into user representation. Then， attention mechanism was used to mine the features strongly correlated with the user’s recent features in the items to be recommended and integrate them into the item representation after enhancement. Finally， the scoring function was used to calculate user’s ratings of items to be recommended. The proposed model was compared with PER（Personalized Entity Recommendation）， CKE（Collaborative Knowledge base Embedding）， LibFM， RippleNet， KGCN（Knowledge Graph Convolutional Network）， CKAN（Collaborative Knowledge-aware Attentive Network） knowledge graph recommendation models on real datasets Last.FM， MovieLens-1M and MovieLens-20M. Experimental results show that compared with the model with the best prediction performance， MTFE model has the F1 value improved by 0.78 percentage points， 1.63 percentage points and 1.92 percentage points and the Area Under Curve of ROC （AUC）metric improved by 3.94 percentage points， 2.73 percentage points and 1.15 percentage points on three datasets respectively. In summary， compared with comparative knowledge graph recommendation models， the proposed knowledge graph recommendation model has better recommendation effect.

Key words: recommendation algorithm, knowledge graph, periodic feature, time scale, recent feature, feature enhancement

中图分类号:

TP181

张素琪, 王鑫鑫, 佘世耀, 顾军华. 融合多时间尺度和特征加强的知识图谱推荐模型[J]. 计算机应用, 2022, 42(4): 1093-1098.

Suqi ZHANG, Xinxin WANG, Shiyao SHE, Junhua GU. Knowledge graph recommendation model with multiple time scales and feature enhancement[J]. Journal of Computer Applications, 2022, 42(4): 1093-1098.

图/表 9

参考文献 19

1	ZHENG G J， ZHANG F Z， ZHENG Z H， et al. DRN： a deep reinforcement learning framework for news recommendation［C］// Proceedings of the 2018 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 167-176. 10.1145/3178876.3185994
2	DIAO Q M， QIU M H， WU C Y， et al. Jointly Modeling Aspects， Ratings and Sentiments for movie recommendation （JMARS）［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 193-202. 10.1145/2623330.2623758
3	ZHOU G R， ZHU X Q， SONG C R， et al. Deep interest network for click-through rate prediction［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018：1059-1068. 10.1145/3219819.3219823
4	MA R F， ZHANG Q， WANG J W. Mention recommendation for multimodal microblog with cross-attention memory network［C］// Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2018： 195-204. 10.1145/3209978.3210026
5	WANG N， WANG H N， JIA Y L， et al. Explainable recommendation via multi-task learning in opinionated text data［C］// Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2018： 165-174. 10.1145/3209978.3210010
6	WANG X， WANG D X， XU C R， et al. Explainable reasoning over knowledge graphs for recommendation［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019：5329-5336. 10.1609/aaai.v33i01.33015329
7	HUANG J， ZHAO W X， DOU H J， et al. Improving sequential recommendation with knowledge enhanced memory networks［C］// Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2018：505-514. 10.1145/3209978.3210017
8	顾军华，佘士耀，樊帅，等. 基于用户长短期兴趣与知识图卷积网络的推荐［J］. 计算机工程与科学， 2021， 43（3）：511-517. 10.3969/j.issn.1007-130X.2021.03.017
	GU J H， SHE S Y， FAN S， et al. Recommendation based on users’ long- and short-term interests and knowledge graph convolution network［J］. Computer Engineering and Science， 2021， 43（3）： 511-517. 10.3969/j.issn.1007-130X.2021.03.017
9	WANG H W， ZHAO M， XIE X， et al. Knowledge graph convolutional networks for recommender systems［C］// Proceedings of the 2019 World Wide Web Conference. New York： ACM， 2019： 3307-3313. 10.1145/3308558.3313417
10	TANG X L， WANG T Y， YANG H Z， et al. AKUPM： attention enhanced knowledge-aware user preference model for recommendation［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 1891-1899. 10.1145/3292500.3330705
11	WANG X， HE X N， CAO Y X， et al. KGAT： knowledge graph attention network for recommendation［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 950-958. 10.1145/3292500.3330989
12	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［EB/OL］. （2018-02-04）［2021-03-20］..
13	WIESE S L， VALLACHER R R， STRAWINSKA U. Dynamical social psychology： complexity and coherence in human experience［J］. Social and Personality Psychology Compass， 2010， 4（11）：1018-1030. 10.1111/j.1751-9004.2010.00319.x
14	YU X， REN X， SUN Y Z， et al. Personalized entity recommendation： a heterogeneous information network approach［C］// Proceedings of the 7th ACM International Conference on Web Search and Data Mining. New York： ACM， 2014： 283-292. 10.1145/2556195.2556259
15	ZHANG F Z， YUAN N J， LIAN D F， et al. Collaborative knowledge base embedding for recommender systems［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 353-362. 10.1145/2939672.2939673
16	BORDES A， USUNIER N， GARCIA-DURÁN A， et al. Translating embeddings for modeling multi-relational data［C］// Proceedings of the 26th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2013： 2787-2795. 10.1007/978-3-662-44848-9_28
17	RENDLE S. Factorization machines with LibFM［J］. ACM Transactions on Intelligent Systems and Technology， 2012， 3（3）： 57. 10.1145/2168752.2168771
18	WANG H W， ZHANG F Z， WANG J L， et al. RippleNet： propagating user preferences on the knowledge graph for recommender systems［C］// Proceedings of the 27th ACM International Conference on Information and Knowledge Management. New York： ACM， 2018： 417-426. 10.1145/3269206.3271739
19	WANG Z， LIN G Y， TAN H B， et al. CKAN： collaborative knowledge-aware attentive network for recommender systems［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 219-228. 10.1145/3397271.3401141

数据集	用户数	项目数	评分数	实体数	关系数
Last.FM	1 872	3 846	92 346	9 366	60
MovieLens-20M	138 159	16 954	13 501 622	102 569	32
MovieLens-1M	66 040	3 210	916 714	5 740	25

数据集	用户数	项目数	评分数	实体数	关系数
Last.FM	1 872	3 846	92 346	9 366	60
MovieLens-20M	138 159	16 954	13 501 622	102 569	32
MovieLens-1M	66 040	3 210	916 714	5 740	25

数据集	d	L	M	λ	Lr	Batch
Last.FM	8	3	20	10^-4	5×10^-4	128
MovieLens-20M	32	2	30	10^-7	2×10^-2	65 536
MovieLens-1M	32	2	30	10^-7	2×10^-2	6 218

数据集	d	L	M	λ	Lr	Batch
Last.FM	8	3	20	10^-4	5×10^-4	128
MovieLens-20M	32	2	30	10^-7	2×10^-2	65 536
MovieLens-1M	32	2	30	10^-7	2×10^-2	6 218

模型	Last.FM		MovieLens-1M		MovieLens-20M
模型	AUC	F1	AUC	F1	AUC	F1
PER	0.633 1	0.596 7	0.721 4	0.698 1	0.832 9	0.788 4
CKE	0.744 2	0.673 2	0.783 8	0.762 9	0.924 5	0.880 6
LibFM	0.776 8	0.709 2	0.814 4	0.791 3	0.966 1	0.914 7
RippleNet	0.784 6	0.715 1	0.849 7	0.816 9	0.968 0	0.922 1
KGCN	0.796 9	0.718 6	0.867 4	0.829 4	0.976 0	0.931 2
CKAN	0.797 7	0.730 6	0.862 3	0.823 5	0.970 2	0.930 6
MTFE	0.837 1	0.738 4	0.894 7	0.845 7	0.987 5	0.950 4

融合多时间尺度和特征加强的知识图谱推荐模型

Knowledge graph recommendation model with multiple time scales and feature enhancement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 19

相关文章 15

编辑推荐

Metrics

数据集	AUC
数据集	L=1	L=2	L=3	L=4
Last.FM	0.826 1	0.835 1	0.838 1	0.837 2
MovieLens-20M	0.889 8	0.891 4	0.895 7	0.892 6

数据集	AUC
数据集	M=10	M=20	M=30	M=40
Last.FM	0.813 5	0.838 1	0.836 4	0.834 7
MovieLens-20M	0.862 1	0.885 7	0.891 4	0.881 2

[1]	顾军华, 王锐, 李宁宁, 张素琪. 融合协同过滤信息的知识图注意力网络[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1087-1092.
[2]	余晓鹏, 何儒汉, 黄晋, 张俊杰, 胡新荣. 基于改进Inception结构的知识图谱嵌入模型[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1065-1071.
[3]	焦守龙, 段友祥, 孙歧峰, 庄子浩, 孙琛皓. 融合实体描述信息和邻居节点特征的知识表示学习方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1050-1056.
[4]	蒋雯静, 熊熙, 李中志, 李斌勇. 基于无采样协作知识图网络的推荐系统[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1057-1064.
[5]	唐望径, 许斌, 仝美涵, 韩美奂, 王黎明, 钟琦. 知识图谱增强的科普文本分类模型[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1072-1078.
[6]	刘雅璇, 钟勇. 基于头实体注意力的实体关系联合抽取方法[J]. 计算机应用, 2021, 41(9): 2517-2522.
[7]	余敦辉, 万鹏, 王社. 基于企业知识图谱构建的实体关联查询系统[J]. 计算机应用, 2021, 41(9): 2510-2516.
[8]	田玲, 张谨川, 张晋豪, 周望涛, 周雪. 知识图谱综述——表示、构建、推理与知识超图理论[J]. 《计算机应用》唯一官方网站, 2021, 41(8): 2161-2186.
[9]	刘欢, 李晓戈, 胡立坤, 胡飞雄, 王鹏华. 基于知识图谱驱动的图神经网络推荐模型[J]. 计算机应用, 2021, 41(7): 1865-1870.
[10]	余敦辉, 张蕗怡, 张笑笑, 毛亮. 基于知识图谱和重启随机游走的跨平台用户推荐方法[J]. 计算机应用, 2021, 41(7): 1871-1877.
[11]	秦丽, 郝志刚, 李国亮. 国家食品安全标准图谱的构建及关联性分析[J]. 计算机应用, 2021, 41(4): 1005-1011.
[12]	孙建强, 许少华. 基于可微神经计算机和贝叶斯网络的知识推理方法[J]. 计算机应用, 2021, 41(2): 337-342.
[13]	杨丽, 王时绘, 朱博. 基于动态和静态偏好的兴趣点推荐算法[J]. 计算机应用, 2021, 41(2): 398-406.
[14]	董永峰, 刘超, 王利琴, 李英双. 融合多跳关系路径信息的关系推理方法[J]. 计算机应用, 2021, 41(10): 2799-2805.
[15]	朱思淼, 魏世伟, 魏思恒, 余敦辉. 基于弹幕情感分析和主题模型的视频推荐算法[J]. 计算机应用, 2021, 41(10): 2813-2819.