图谱嵌入传播的推荐方法

doi:10.11772/j.issn.1001-9081.2023101508

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (10): 3252-3259.DOI: 10.11772/j.issn.1001-9081.2023101508

• 第40届CCF中国数据库学术会议(NDBC 2023) • 上一篇下一篇

图谱嵌入传播的推荐方法

周北京¹, 王海荣¹^,²(), 王怡梦¹, 张丽丝¹, 马赫¹

^1.北方民族大学计算科学与工程学院，银川 750021
^2.图像图形智能处理国家民委重点实验室（北方民族大学），银川 750021

收稿日期:2023-11-06 修回日期:2023-12-23 接受日期:2023-12-28 发布日期:2024-10-15 出版日期:2024-10-10
通讯作者: 王海荣
作者简介:周北京（1997—），男，湖南衡阳人，硕士研究生，CCF会员，主要研究方向：基于知识图谱的推荐系统
王海荣（1977—），女，宁夏石嘴山人，副教授，博士，CCF会员，主要研究方向：大数据知识工程、智能信息处理 bmdwhr@163.com
王怡梦（2000—），女，河南三门峡人，硕士研究生，主要研究方向：多模态推荐系统
张丽丝（1998—），女，云南曲靖人，硕士研究生，主要研究方向：金融预测
马赫（1997—），男（回族），内蒙古赤峰人，硕士研究生，主要研究方向：实体对齐。
基金资助:
宁夏自然科学基金资助项目(2023AAC03316);北方民族大学研究生创新项目(YCX23146)

Recommendation method using knowledge graph embedding propagation

Beijing ZHOU¹, Hairong WANG¹^,²(), Yimeng WANG¹, Lisi ZHANG¹, He MA¹

^1.School of Computer Science and Engineering，North Minzu University，Yinchuan Ningxia 750021，China
^2.The Key Laboratory of Images & Graphics Intelligent Processing of State Ethnic Affairs Commission （North Minzu University），Yinchuan Ningxia 750021，China

Received:2023-11-06 Revised:2023-12-23 Accepted:2023-12-28 Online:2024-10-15 Published:2024-10-10
Contact: Hairong WANG
About author:ZHOU Beijing， born in 1997， M. S. candidate. His research interests include recommendation system based on knowledge graph.
WANG Yimeng， born in 2000， M. S. candidate. Her research interests include multi-modal recommendation system.
ZHANG Lisi， born in 1998， M. S. candidate. Her research interests include financial forecasting.
MA He， born in 1997， M. S. candidate. His research interests include entity alignment.
Supported by:
Ningxia Natural Science Foundation(2023AAC03316);Graduate Innovation Project of North Minzu University(YCX23146)

摘要/Abstract

摘要：

根据知识图谱（KG）丰富用户和项目信息的侧重不同，现有的图谱嵌入传播的推荐方法可归纳为用户嵌入传播、项目嵌入传播和混合嵌入传播这3类。用户嵌入传播方法侧重使用用户交互的项目和KG学习用户表示；项目嵌入传播方法使用KG中的实体表征项目；而混合嵌入传播方法融合了用户-项目交互信息和KG，以弥补前两类方法存在的信息利用不充分的不足。为深入对比3类方法的技术特点，重点剖析图谱嵌入传播的推荐方法中的图谱构建、嵌入传播和预测这3个核心任务的关键技术；同时，在MovieLens、Booking-Crossing和Last.FM通用数据集上复现每类方法中的主流模型，通过使用点击率（CTR）指标对比分析上述方法的效果。分析实验结果可知，混合嵌入传播方法的推荐性能最优，它综合了用户和项目嵌入传播方法的优势，利用交互信息和KG增强用户和项目表示；此外，对比分析每类方法，阐述各自的优缺点并展望未来的研究工作。

关键词: 推荐系统, 知识图谱, 协同过滤, 嵌入传播, 图神经网络

Abstract:

According to the richness of user and item information in Knowledge Graph （KG）， the existing recommendation methods with graph embedding propagation can be summarized into three categories： user embedding propagation， item embedding propagation， and hybrid embedding propagation. The user embedding propagation method focuses on using items interacted with users and KG to learn user representations； the item embedding propagation method uses entities in KG to represent items； the hybrid embedding propagation method integrates user-item interaction information and KG， addressing the issue of insufficient information utilization in the first two methods. The technical characteristics of these three methods were deeply compared by specifically analyzing the key technologies of the three core tasks in the recommendation methods with graph embedding propagation： graph construction， embedding propagation， and prediction. At the same time， by replicating mainstream models in each category of methods on general datasets such as MovieLens， Booking-Crossing， and Last.FM， and comparing their effects using the CTR （Click-Through Rate） metric， it is found that the recommendation method with hybrid embedding propagation has the best recommendation performance. It combines the advantages of user and item embedding propagation methods， utilizing interaction information and KG to enhance the representations of both users and items. Additionally， a comparative analysis of various categories of methods was performed， their advantages and disadvantages were elaborated， and the future research work was also proposed.

Key words: Recommendation System (RS), Knowledge Graph (KG), Collaborative Filtering (CF), embedding propagation, Graph Neural Network (GNN)

中图分类号:

TP182

周北京, 王海荣, 王怡梦, 张丽丝, 马赫. 图谱嵌入传播的推荐方法[J]. 计算机应用, 2024, 44(10): 3252-3259.

Beijing ZHOU, Hairong WANG, Yimeng WANG, Lisi ZHANG, He MA. Recommendation method using knowledge graph embedding propagation[J]. Journal of Computer Applications, 2024, 44(10): 3252-3259.

图/表 8

图1 图谱嵌入传播的推荐方法分类

Fig. 1 Classification of recommendation methods with KG embedding propagation

图2 图谱嵌入传播的推荐方法的整体框架

Fig. 2 Overall framework of recommendation method with KG embedding propagation

图3 用户嵌入传播推荐方法的框架

Fig. 3 Framework of recommendation method with user embedding propagation

表1 典型的用户嵌入传播方法对比分析

Tab. 1 Comparative analysis of typical user embedding propagation methods

模型	MovieLens-1M		Book-Crossing
模型	AUC	ACC	AUC	ACC
RippleNet	0.843 5	0.767 1	0.771 4	0.725 4
AKUPM	0.918 1	0.845 2	0.843 5	0.807 2
CIEPA	0.925 4	0.849 6	0.853 1	0.815 4

图4 项目嵌入传播推荐方法的框架

Fig. 4 Framework of recommendation method with item embedding propagation

表2 典型的项目嵌入传播方法对比分析

Tab. 2 Comparative analysis of typical item embedding propagation methods

模型	MovieLens-1M		MovieLens-20M		Book-Crossing		Last.FM
模型	AUC	ACC	AUC	ACC	AUC	ACC	AUC	ACC
KGCN	0.900 1	0.823 0	0.976 7	0.929 0	0.692 2	0.635 4	0.803 1	0.732 0
KGNN-LS	0.902 7	0.826 0	0.978 5	0.934 1	0.689 0	0.632 3	0.804 2	0.714 7
KGPL	0.914 7	0.835 3	0.976 3	0.926 7	0.757 3	0.670 3	0.861 2	0.767 8
CG-KGR	0.896 9	0.815 1	0.983 1	0.940 3	0.759 5	0.701 0	0.833 3	0.758 4

图5 混合嵌入传播推荐方法的框架

Fig. 5 Framework of recommendation method with hybrid embedding propagation

表3 典型的混合嵌入传播方法对比分析

Tab. 3 Comparative analysis of typical hybrid embedding propagation methods

模型	MovieLens-1M		MovieLens-20M		Book-Crossing		Last.FM
模型	AUC	ACC	AUC	ACC	AUC	ACC	AUC	ACC
KGAT	0.910 2	0.838 9	0.981 3	0.912 1	0.719 4	0.689 9	0.805 4	0.764 1
CKAN	0.917 8	0.844 0	0.971 7	0.921 8	0.745 3	0.655 9	0.846 3	0.746 2
KGIN	0.884 0	0.621 3	0.989 4	0.892 2	0.804 2	0.738 1	0.855 5	0.711 0
COAT	0.892 2	0.811 2	0.978 4	0.930 2	0.740 7	0.697 3	0.789 4	0.714 1
LKGR	0.917 0	0.845 3	0.982 9	0.941 6	0.679 3	0.637 2	0.796 3	0.716 1

参考文献 56

1	HE X， LIAO L， ZHANG H， et al. Neural collaborative filtering［C］// Proceedings of the 26th International Conference on World Wide Web. New York： ACM， 2017： 173-182.
2	HE X， HE Z， SONG J， et al. NAIS： neural attentive item similarity model for recommendation［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 30（12）： 2354-2366.
3	WANG H， ZHANG F， HOU M， et al. SHINE： signed heterogeneous information network embedding for sentiment link prediction［C］// Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining. New York： ACM， 2018： 592-600.
4	JAMALI M， ESTER M. A matrix factorization technique with trust propagation for recommendation in social networks［C］// Proceedings of the 4th ACM Conference on Recommender Systems. New York： ACM， 2010： 135-142.
5	DU Y， ZHU X， CHEN L， et al. MetaKG： meta-learning on knowledge graph for cold-start recommendation［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（10）： 9850-9863.
6	季德强，王海荣，李明亮，等.融合用户-项目的邻居实体表示推荐方法［J］. 中文信息学报， 2022，36（9）：112-119.
	JI D Q， WANG H R， LI M L， et al. Incorporating user-item neighbor entity for recommendation［J］. Journal of Chinese Information Processing， 2022， 36（9）： 112-119.
7	李想，杨兴耀，于炯，等.基于知识图谱卷积网络的双端推荐算法［J］.计算机科学与探索，2022，16（1）：176-184.
	LI X， YANG X Y， YU J， et al. Double end knowledge graph convolutional networks for recommender systems［J］. Journal of Frontiers of Computer Science and Technology， 2022， 16（1）： 176-184.
8	YU X， REN X， SUN Y， 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.
9	ZHANG F， YUAN N J， LIAN D， et al. Collaborative knowledge base embedding for recommender systems［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2016： 353-362.
10	ZHAO H， YAO Q， LI J， et al. Meta-graph based recommendation fusion over heterogeneous information networks［C］// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery &Data Mining. New York： ACM， 2017： 635-644.
11	ZHANG Z， ZHANG L， YANG D， et al. KRAN： knowledge refining attention network for recommendation［J］. ACM Transactions on Knowledge Discovery from Data， 2021， 16（2）： Article No. 39.
12	GUO J， ZHOU Y， ZHANG P， et al. Trust-aware recommendation based on heterogeneous multi-relational graphs fusion［J］. Information Fusion， 2021， 74： 87-95.
13	高仰，刘渊.融合社交关系和知识图谱的推荐算法［J］.计算机科学与探索， 2023， 17（1）： 238-250.
	GAO Y， LIU Y. Recommendation algorithm combining social relationship and knowledge graph［J］. Journal of Frontiers of Computer Science and Technology， 2023， 17（1）： 238-250.
14	ZHANG H， SHEN X， YI B， et al. KGAN： knowledge grouping aggregation network for course recommendation in MOOCs［J］. Expert Systems with Applications， 2023， 211： 118344.
15	WANG X， HE X， CAO Y， et al. KGAT： knowledge graph attention network for recommendation［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2019： 950-958.
16	MA T， HUANG L， LU Q， et al. KR-GCN： knowledge-aware reasoning with graph convolution network for explainable recommendation［J］. ACM Transactions on Information Systems， 2023， 41（1）： Article No. 4.
17	梁浩宏，古天龙，宾辰忠，等.联合学习用户端和项目端知识图谱的个性化推荐［J］.计算机科学， 2021， 48（5）： 109-116.
	LIANG H H， GU T L， BIN C Z， et al. Combining user-end and item-end knowledge graph learning for personalized recommendation［J］. Computer Science， 2021， 48（5）： 109-116.
18	秦琪琦，张月琴，王润泽，等.基于知识图谱的层次粒化推荐方法［J］.计算机科学， 2022， 49（8）： 64-69.
	QIN Q Q， ZHANG Y Q， WANG R Z， et al. Hierarchical granulation recommendation method based on knowledge graph［J］. Computer Science， 2022， 49（8）： 64-69.
19	GUO Q， ZHUANG F， QIN C， et al. A survey on knowledge graph-based recommender systems［J］. IEEE Transactions on Knowledge and Data Engineering， 2020， 34（8）： 3549-3568.
20	朱冬亮，文奕，万子琛.基于知识图谱的推荐系统研究综述［J］. 数据分析与知识发现， 2021， 5（12）： 1-13.
	ZHU D L， WEN Y， WAN Z C. Review of recommendation systems based on knowledge graph［J］. Data Analysis and Knowledge Discovery， 2021， 5（12）： 1-13.
21	吴正洋，汤庸，刘海.个性化学习推荐研究综述［J］.计算机科学与探索， 2022， 16（1）： 21-40.
	WU Z Y， TANG Y， LIU H. Survey of personalized learning recommendation［J］. Journal of Frontiers of Computer Science and Technology， 2022， 16（1）： 21-40.
22	HU B， SHI C， ZHAO W X， et al. Leveraging meta-path based context for top-N recommendation with a neural co-attention model［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2018： 1531-1540.
23	WANG X， WANG D， XU C， et al. Explainable reasoning over knowledge graphs for recommendation［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 5329-5336.
24	XIAN Y， FU Z， MUTHUKRISHNAN S， et al. Reinforcement knowledge graph reasoning for explainable recommendation［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 285-294.
25	WANG H， ZHAN F， XIE X， et al. DKN： deep knowledge-aware network for news recommendation［C］// Proceedings of the 2018 World Wide Web Conference. New York： ACM， 2018： 1835-1844.
26	CAO Y， WANG X， HE X， et al. Unifying knowledge graph learning and recommendation： towards a better under-standing of user preferences［C］// Proceedings of the 2019 World Wide Web Conference. New York： ACM， 2019： 151-161.
27	CHOWDHURY G， SRILAKSHMI M， CHAIN M， et al. Neural factorization for offer recommendation using knowledge graph embeddings［EB/OL］. ［2023-10-01］. .
28	HUANG R， HAN C， CUI L. Entity-aware collaborative relation network with knowledge graph for recommendation［C］// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. New York： ACM， 2021： 3098-3102.
29	WANG F， LI Y， ZHANG Y， et al. KLGCN： knowledge graph-aware light graph convolutional network for recommender systems［J］. Expert Systems with Applications， 2022， 195： 116513.
30	CAO X， SHI Y， YU H， et al. DEKR： description enhanced knowledge graph for machine learning method recommendation［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 203-212.
31	WAN S， PAN S， YANG J， et al. Contrastive and generative graph convolutional networks for graph-based semi-super-vised learning［C］// Proceedings of the 2021 AAAI Conference on Artificial Intelligence. Menlo Park： AAAI Press， 2021， 35（11）： 10049-10057.
32	YANG D， SONG Z， XUE L， et al. A knowledge-enhanced recommendation model with attribute-level co-attention［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 1909-1912.
33	WANG H， ZHANG F， WANG J， 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.
34	WANG H， 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.
35	TANG X， WANG T， YANG H， et al. AKUPM： attention-enhanced knowledge-aware user preference model for recommendation［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2019： 1891-1899.
36	LI Q， TANG X， WANG T， et al. Unifying task-oriented knowledge graph learning and recommendation［J］. IEEE Access， 2019， 7： 115816-115828.
37	WANG H， ZHANG F， ZHANG M， et al. Knowledge-aware graph neural networks with label smoothness regularization for recommender systems［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2019： 968-977.
38	TOGASHI R， OTANI M， SATOCH S. Alleviating cold-start problems in recommendation through pseudo-labelling over knowledge graph［C］// Proceedings of the 14th ACM International Conference on Web Search and Data Mining. New York： ACM， 2021： 931-939.
39	CHEN Y， YANG Y， WANG Y， et al. Attentive knowledge-aware graph convolutional networks with collaborative guidance for personalized recommendation［C］// Proceedings of the 2022 IEEE 38th IEEE International Conference on Data Engineering. Piscataway： IEEE， 2022： 299-311.
40	WANG Z， LIN G， TAN H， 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.
41	WANG X， HUANG T， WANG D， et al. Learning intents behind interactions with knowledge graph for recommendation［C］// Proceedings of the 2021 World Wide Web Conference. New York： ACM， 2021： 878-887.
42	DAI Q， WU X M， FAN L， et al. Personalized knowledge-aware recommendation with collaborative and attentive graph convolutional networks［J］. Pattern Recognition， 2022， 128： 108628.
43	CHEN Y， YANG M， ZHANG Y， et al. Modeling scale-free graphs with hyperbolic geometry for knowledge-aware recommendation ［C］// Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining. New York： ACM， 2022： 94-102.
44	LU L， WANG B， ZHANG Z， et al. VRKG4Rec： virtual relational knowledge graph for recommendation［C］// Proceedings of the Sixteenth ACM International Conference on Web Search and Data Mining. New York： ACM， 2023： 526-534.
45	SUN R， CAO X， ZHAO Y， et al. Multi-modal knowledge graphs for recommender systems［C］// Proceedings of the 29th ACM International Conference on Information & Knowledge Management. New York： ACM， 2020： 1405-1414.
46	李世宝，张益维，刘建航，等.基于知识图谱共同邻居排序采样的推荐模型［J］.电子与信息学报， 2021， 43（12）： 3522-3529.
	LI S B， ZHANG Y W， LIU J H， et al. Recommendation model based on public neighbor sorting and sampling of knowledge graph［J］. Journal of Electronics & Information Technology， 2021， 43（12）： 3522-3529.
47	WANG X， XU Y， HE X， et al. Reinforced negative sampling over knowledge graph for recommendation［C］// Proceedings of the 2020 World Wide Web Conference. New York： ACM， 2020： 99-109.
48	WANG Y， LIU Z， FAN Z， et al. DSKReG： differentiable sampling on knowledge graph for recommendation with relational GNN［C］// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. New York： ACM， 2021： 3513-3517.
49	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks ［EB/OL］. （2017-02-22）［2023-10-01］. .
50	HAMILTON W L， YING Z， LESKOVEC J. Inductive representation learning on large graphs［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates， 2017： 1025-1035.
51	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［EB/OL］. （2020-02-26）［2023-10-01］. .
52	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： Curran Associates， 2013： 2787-2795.
53	WANG Z， ZHANG J， FENG J， et al. Knowledge graph embedding by translating on hyperplanes［C］// Proceedings of the 28th AAAI Conference on Artificial Intelligence. Menlo Park： AAAI Press， 2014： 1112-1119.
54	JI G L， HE S， XU L，et al. Knowledge graph embedding via dynamic mapping matrix［C］// Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2015： 687-696.
55	LIN Y， XU B， FENG J， et al. Knowledge-enhanced recommendation using item embedding and path attention［J］. Knowledge-Based Systems， 2021， 233： 107484.
56	孟宪法，刘方，李广，等. 卷积神经网络压缩中的知识蒸馏技术综述［J］. 计算机科学与探索， 2021， 15（10）： 1812-1829.
	MENG X F， LIU F， LI G， et al. Review of knowledge distillation in convolutional neural network compression［J］. Journal of Frontiers of Computer Science and Technology， 2021， 15（10）： 1812-1829.

[1]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.
[2]	武杰, 张安思, 吴茂东, 张仪宗, 王从宝. 知识图谱在装备故障诊断领域的研究与应用综述[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2651-2659.
[3]	杨航, 李汪根, 张根生, 王志格, 开新. 基于图神经网络的多层信息交互融合算法用于会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2719-2725.
[4]	唐廷杰, 黄佳进, 秦进. 基于图辅助学习的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2711-2718.
[5]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[6]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[7]	杨帆, 邹窈, 朱明志, 马振伟, 程大伟, 蒋昌俊. 基于图注意力Transformer神经网络的信用卡欺诈检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2634-2642.
[8]	杨莹, 郝晓燕, 于丹, 马垚, 陈永乐. 面向图神经网络模型提取攻击的图数据生成方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2483-2492.
[9]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[10]	唐廷杰, 黄佳进, 秦进, 陆辉. 基于图共现增强多层感知机的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2357-2364.
[11]	林欣蕊, 王晓菲, 朱焱. 基于局部扩展社区发现的学术异常引用群体检测[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1855-1861.
[12]	于右任, 张仰森, 蒋玉茹, 黄改娟. 融合多粒度语言知识与层级信息的中文命名实体识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1706-1712.
[13]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.
[14]	汪炅, 唐韬韬, 贾彩燕. 无负采样的正样本增强图对比学习推荐方法PAGCL[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1485-1492.
[15]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛. 基于知识感知和跨层次对比学习的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.

图谱嵌入传播的推荐方法

Recommendation method using knowledge graph embedding propagation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 56

相关文章 15

编辑推荐

Metrics