换一批DPEKG:基于扩散与自适应去噪增强的知识图谱推荐模型
DPEKG:Knowledge Graph Recommendation Model Based on Diffusion and Adaptive Denoising Enhancement
摘要近年来,知识图谱在推荐系统中为捕捉用户与项目之间的语义关联提供了有效工具.然而,现有研究主要关注简单的直接关系,未能充分利用高阶语义关联,并且在处理图谱噪声时,缺乏对局部结构的精细化操作,冗余信息未能彻底清除,最终影响推荐精度.为解决这些问题,文章提出了一种基于扩散与自适应去噪增强的知识图谱推荐模型 DPEKG(Diffusion and Adaptive Post-Enhancement Knowledge Graph).首先,模型通过路径优化模块,在用户-项目交互图中挖掘多跳路径,构建增强的项目用户交互视图;其次,模型引入扩散去噪机制,逐步扩散并消除知识图谱中的全局噪声,使得经过噪声过滤的图谱能够更加准确地反映真实的用户-项目关联;随后,通过自适应去噪增强模块,模型对去噪后的图谱进行动态加权评分,保留与用户兴趣和项目偏好最相关的节点和边;最后,模型通过对比学习对用户-项目交互视图与去噪后的知识图谱视图进行多视角嵌入对齐,优化推荐效果.实验结果表明,DPEKG在多个公开数据集上的推荐性能显著优于现有方法,验证了其在处理复杂关系和噪声干扰方面的有效性.
更多相关知识
关键词
知识图谱推荐任务扩散模型自适应去噪增强Knowledge graphRecommendation taskDiffusion modelAdaptive denoising enhancement
栏目名称
DOI
10.3969/j.issn.1004-3403.2025.02.011
发布时间
2025-06-04（万方平台首次上网日期，不代表论文的发表时间）
基金项目
西藏民族大学校内项目（24MDY07）
西藏光信息处理与可视化技术重点实验室开放基金项目（KLFPXZMU2303）
- 浏览0
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
