罗宇泰, 徐涛, 徐章博

(西北民族大学 中国民族语言文字信息技术教育部重点实验室, 甘肃 兰州 730030)

传统的推荐系统方法有基于协同过滤,通过分析用户的历史交互数据,猜测他们可能的共同爱好[1]。但是该方法有着冷启动和稀疏矩阵的问题。研究人员提出了许多解决方法,譬如结合知识图谱、社会网络[2],通过融合侧面信息到矩阵中填补一定的数据空缺,但还是有较大的局限性。

在推荐系统中,基于知识图谱的推荐方法有基于嵌入的方法和基于路径的方法。2016年Zhang等人提出了协同知识库嵌入(CKE)方法,他将协同过滤模型与嵌入结合[3]。2018年Wang等人提出的深度知识感知网络(DKN),他将实体嵌入和词嵌入分为2个不同的频道,设计1个CNN模型将其结合[4]。2014年Yu等人提出了异构信息网络方法[5],2017年Zhao等人提出了基于元图的推荐方法[6]。两者都是通过创建异构信息网络,基于网络的潜在特征,从中抽取元路径或者元图,来代表用户和项目之间的关系。Wang等人同时结合基于嵌入和路径的方法提出了RippleNet[7]。Wang模拟水波纹传播方式,对用户偏好进行模拟,得到了非常好的效果。但RippleNet没有考虑到限定域知识图谱中的实体权重,导致该模型无法得到不同权重实体的推荐结果,没有将推荐重点放在重要程度较高的实体上,从而降低了推荐准确度。

在复杂网络科学中,国内外学者对节点传播能力的评估进行了大量研究,目前常用的方法有度中心性[8]、介数中心性[9]、紧密度中心性[10]等。为了解决这个问题,本文将运用复杂网络科学的方法,把知识图谱中三元组的实体抽象为节点,关系抽象为连边,计算出复杂网络中实体的节点影响力,并将其作为实体权重再放入RippleNet网络中进行计算。……