摘要: 随着信息技术的发展和移动互联网的普及，人们面对的数据量急剧增长，个性化推荐算法能够从海量的信息中为用户筛选出可能感兴趣的信息，从而有效缓解信息过载问题。基于知识图谱的推荐算法将知识图谱作为辅助信息融入到推荐算法中，能够提高推荐算法... 展开 随着信息技术的发展和移动互联网的普及，人们面对的数据量急剧增长，个性化推荐算法能够从海量的信息中为用户筛选出可能感兴趣的信息，从而有效缓解信息过载问题。基于知识图谱的推荐算法将知识图谱作为辅助信息融入到推荐算法中，能够提高推荐算法的准确性和推荐结果的多样性，克服传统协同过滤推荐算法存在的数据稀疏性和冷启动等问题，在近年来得到了广泛的研究。然而，现有的基于知识图谱的推荐算法没有充分利用用户-物品交互的协同信息和知识图谱信息，而且普遍采用有监督的学习范式，存在监督信号稀疏的问题。此外，隐式反馈数据中的噪声问题进一步影响了推荐算法的准确性。本文针对以上问题展开研究，主要工作如下： 1.针对现有的基于知识图谱的推荐算法对协同信息和知识图谱信息利用不充分的问题，提出一种基于图卷积神经网络和知识图谱传播的推荐算法，在用户-物品交互图上使用轻量图卷积神经网络获取用户和物品交互的协同信息，在知识图谱上采用基于传播的方法获取物品的语义信息和高阶连通性信息。在三个公开数据集上的实验结果表明，推荐算法的性能得到了有效的提升。 2.针对基于知识图谱的推荐算法的监督信号稀疏问题和用户-物品交互数据噪声问题，提出一种融合对比学习的知识感知推荐算法，将对比学习作为辅助任务引入知识感知推荐算法中，通过数据增强对比学习改善模型对交互数据中噪声数据的鲁棒性，通过协同对比学习改善监督信号稀疏带来的模型学习不充分问题，在三个公开数据集上的实验结果表明，对比学习能够有效提升推荐算法的性能。 3.设计并实现了一个基于知识图谱的图书推荐系统，将本文提出的基于知识图谱的推荐算法进行实际应用。系统主要功能包括用户注册登录、个性化图书推荐、热门图书推荐等。 收起