刘纵横,汪海涛,姜 瑛,陈 星

(昆明理工大学 信息工程与自动化学院,云南 昆明 650500)

0 引 言

推荐系统研究工作主要可以归纳为两个主要的研究内容。一种为一般推荐方法,这些工作侧重于挖掘用户和项目之间的静态相关性,这些工作通常由传统协同过滤以及变体[1]来表示,其大多数从静态视图中挖掘用户—项目的特定关系,而忽略了随时间形成的用户交互序列隐含着用户兴趣的衰减以及偏好的动态变化。另一种内容是基于序列模式挖掘为用户推荐下一个感兴趣项目,诸如递归神经网络(RNN)[2]和卷积神经网络(CNN)[3]的神经网络模型是解决序列推荐的流行选择。但是,当这两种模型应用到推荐时,都存在些许缺点。受限于用户记录的长度的限制,它们无法在整个用户的历史交互记录中学习项目—项目之间内在联系,难以保存用户完整的上下文信息,进而导致推荐的准确度不高。受近期注意力机制在自然语言处理[4]研究与发展的影响,将自注意力机制应用到序列推荐可以完整的保留用户的上下文信息。

在上述序列推荐算法中,项目相似性的计算往往占有重要的地位。现有的序列推荐算法往往只关注项目之间的顺序相关性,而忽略了项目属性、内容之间的联系。知识图谱[5]的引入能将项目之间隐含的联系更好地嵌入到项目向量中。知识图谱是一种结构化的知识图,图中的节点表示现实世界中的实物,其中蕴含着丰富的结构化知识。……