基于知识图谱的长短期序列推荐算法OA北大核心CSTPCD
现有的部分序列推荐算法较少关注用户短期兴趣随时间变化的问题,从而导致推荐的精度不够理想,且在用户兴趣转变的可解释性上有待提高。据此,提出了一种基于知识图谱的长短期序列推荐算法(KGLSR)。将交互历史划分为长期和短期行为序列后,结合卷积神经网络与注意力机制进行长期兴趣的特征重构,并引入知识图谱与图注意力更新用户的短期偏好,最后实现自适应聚合。经验证,该模型在3类真实场景下的数据集中以HR、MRR和NDCG为评价指标的表现均优于对比实验中的主流基线模型。
胡泽宇;肖玉芝;霍宣蓉;黄涛
青海师范大学计算机学院,青海西宁810016 省部共建藏语智能信息处理及应用国家重点实验室,青海西宁810008 藏文信息处理教育部重点实验室,青海西宁810008青海师范大学计算机学院,青海西宁810016 省部共建藏语智能信息处理及应用国家重点实验室,青海西宁810008 藏文信息处理教育部重点实验室,青海西宁810008青海师范大学计算机学院,青海西宁810016 省部共建藏语智能信息处理及应用国家重点实验室,青海西宁810008 藏文信息处理教育部重点实验室,青海西宁810008青海师范大学计算机学院,青海西宁810016 省部共建藏语智能信息处理及应用国家重点实验室,青海西宁810008 藏文信息处理教育部重点实验室,青海西宁810008
计算机与自动化
序列推荐知识图谱长短期兴趣图注意力网络
《南京邮电大学学报（自然科学版）》 2024 (4)
P.122-130,9
国家重点研发计划(314)国家重点实验室自主课题基金(2024-SKL-005)资助项目。
评论