换一批GCMT:基于特征增强的图卷积多任务推荐模型
Graph Convolutional Multi-task Recommendation Model Based on Feature Enhancement
摘要图卷积神经网络在消息聚合和传播方面的先进能力,极大地提升了基于知识图谱的推荐系统的准确性.尽管如此,目前许多知识图谱卷积方法并未深入挖掘用户兴趣,也未能对卷积后的实体特征进行有效的三元组建模.针对这些局限性,文章提出一种基于特征增强的图卷积多任务推荐模型.该模型首先利用BERT预训练模型对实体的初始表示进行建模,随后通过嵌入注意力机制的图卷积神经网络对节点特征进行传播与更新.进一步地,引入三元组关系建模策略对更新后的实体向量进行表示学习.在预测阶段,利用DNN网络融合用户和实体两个特征向量,以实现更精准的推荐.为了验证模型的有效性,笔者在推荐领域的常用公共数据集上进行了广泛的实验.实验结果表明,与KGCN模型相比,在Movielens-20M数据集上,模型在AUC和F1上分别实现了 1.5％和1.3％的提升;在Book-Crossing数据集上,AUC和F1值分别提升了 1.8％和1.0％.在自建数据集上,模型的AUC和F1值,分别提升了 4.8％和3.6％.这些显著的性能提升证明了我们的模型在推荐系统领域的卓越性能和应用潜力.
更多相关知识
关键词
知识图谱多任务推荐算法预训练模型图卷积神经网络Knowledge GraphMulti-taskRecommendation AlgorithmPre-trained ModelGraph Convolutional Neural Network(GCN)
栏目名称
DOI
10.3969/j.issn.1004-3403.2025.02.012
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
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
