基于知识图谱的轻量级图卷积网络推荐

知识图谱可以给推荐系统提供丰富的、结构化的信息，从而提高推荐准确性.最近的技术趋势是基于传播的方法设计端到端的模型，但有的基于传播的方法无法捕获项目的高阶协作信号.一般图卷积网络中包含的最常见形式是特征转换、非线性激活和邻域聚合，然而，经验表明，特征转换和非线性激活对协同过滤推荐不一定有积极的影响，更糟糕的是，它们可能会降低推荐性能，使训练更加困难.针对以上问题，提出基于知识图谱的轻量级图卷积网络推荐模型.首先，从实体邻居中抽取样本作为感受野，将知识图谱中的实体通过多次迭代嵌入传播来获取高阶邻域信息.感受野结合邻域信息和可能存在的偏差来计算实体表示，还可以扩展到多跳以模拟高阶连通性并捕获用户潜在的远距离兴趣.其次，使用邻域聚合以预测用户和项目之间的评分，这不仅简化了模型设计，还提高了模型的有效性和准确度.最后，在电影、书籍和音乐推荐这三个数据集中应用提出的模型，实验结果表明，提出的方法优于其他推荐基线.