计算机应用

作者：甘轲, 朱小飞, 程佳玮

单位：重庆理工大学 计算机科学与工程学院，重庆 401320

关键词：知识图谱,多视角,知识对齐,对比学习,门控融合

基金：国家自然科学基金资助项目(62472059);重庆市自然科学基金资助项目(CSTB2022NSCQ-LZX0002);重庆市自然科学基金资助项目(CSTB2022NSCQ-MSX1672);重庆英才计划项目(CSTC2024YCJH-BGZXM0022);重庆市教育委员会科学技术研究计划重大项目(KJZD-M202201102)

基于知识图谱的推荐方法通过结合物品属性图和用户交互图中的关系连接学习用户和物品节点的表示，从而推荐合适的物品；然而，由于知识图谱同时包含噪声关系和优质关系，当前的主要挑战在于如何规避噪声关系并挖掘优质关系。现有方法通常基于全局的重构策略，通过裁剪噪声关系或挖掘优质关系的单一方式优化知识图谱关系，以此学习用户和物品的表示。然而，基于全局视角难以充分捕捉局部信息的细节，并且容易忽略局部信息与全局信息之间的潜在互补性；此外，仅依赖裁剪或增补策略难以同时规避噪声关系的干扰并全面挖掘优质关系。针对上述问题，提出一种基于多视角关系增强知识图谱的推荐方法（RMPREKG）。该方法利用物品混合关系对齐模块和交互混合关系增强模块减少物品属性图和用户交互图中噪声关系的影响，同时深入挖掘优质高阶关系。物品混合关系对齐模块通过重要性裁剪策略和高阶关系挖掘方法分别提取局部与全局关系，并采用一种知识对齐的方法协同两类信息，可有效提炼优质物品辅助信息；交互混合关系增强模块构建了局部混合裁剪关系图和全局混合增补关系图，并通过跨通道和跨层对比学习增强两者之间的信息互补性，从而全面学习用户和物品的表示。最后，采用层级门控自适应的方法融合多组用户与物品嵌入用于推荐。当推荐长度为20时，与VRKG4Rec（Virtual Relational Knowledge Graphs for Recommendation）相比，RMPREKG在Last.FM数据集的归一化折损累计增益（NDCG）提升了10.17%，在MovieLens-1M数据集的NDCG提升了1.13%。

来源：2025年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第11期