Artículo recomendación del gráfico de conocimiento basado en la red de atención del gráfico contextual

Red de atención de gráficos contextualizados para recomendación con gráfico de conocimiento de elementos

Resumen:

En los últimos años, la red neuronal gráfica (GNN) se ha aplicado al desarrollo del gráfico de conocimiento (KG). Los métodos existentes basados ​​en GNN modelan la relación de dependencia entre entidades y su contexto de mapa local en KG. , Pero es posible que no pueda capturar eficazmente su contexto de gráfico no local (por ejemplo, el conjunto de sus vecinos de primer orden, el conjunto más relevante de vecinos de orden superior). En este artículo, proponemos un nuevo marco de recomendación: Red de atención de gráficos contextuales (CGAT), que puede utilizar explícitamente la información de contexto de gráficos locales y no locales de las entidades en KG. En particular, CGAT captura información del contexto local a través de un mecanismo de atención gráfica específico del usuario, teniendo en cuenta las preferencias personalizadas del usuario por las entidades. Además, CGAT utiliza un proceso de muestreo de paseo aleatorio sesgado para extraer el contexto no local de una entidad y utiliza una red neuronal recurrente (RNN) para modelar la dependencia entre la entidad y sus entidades de contexto no local. Con el fin de capturar la preferencia personalizada del usuario por los elementos, este artículo también establece un mecanismo de atención específico del elemento para simular la dependencia entre el elemento objetivo y el elemento contextual extraído del comportamiento histórico del usuario. Los resultados experimentales en conjuntos de datos reales verifican la efectividad de CGAT y se comparan con el último método de recomendación basado en KG.

Supongo que te gusta

Origin blog.csdn.net/qq_40199232/article/details/108440196
Recomendado
Clasificación