第5章 总结与展望
5.1 总结
推荐系统旨在通过用户兴趣进行个性化的推荐，以增强用户对在线应用的体验。然而随着互联网技术的飞速发展，数据呈指数级增长，大大加大了获取有效信息的难度。面对新用户新产品所产生的冷启动问题，以及数据量增长所面临的数据稀疏问题，传统基于协同过滤的推荐系统并不能很好的解决。知识图谱因为其结构特征，可以建立项目与项目或是人与项目之间的链接，被当作外部信息帮助推荐。当前基于知识图谱的推荐方法通过学习网络的结构信息，知识的语义信息，帮助项目建模或是用户建模，从而提升推荐的表现。并且，随着图神经网络的快速发展，通过将网络结构与深度学习相结合，极大地增加了知识图谱特征表示学习的潜力。本文将知识图谱作为辅助信息，针对用户对知识图谱中实体和关系的细粒度偏好特征学习，以及多元用户间的隐式关联学习，分别优化项目表示建模和用户表示建模。
针对用户的偏好特征学习，本文提出了KPRLN算法模型。通过深度强化学习在知识图谱中寻找用户对项目的偏好特征，具体过程可以描述为建立用户历史交互项间的路径网络。知识图谱中的实体通过其属性的相似点建立联系，通过建立项目之间的路径，学习属性之间关联的偏好值，生成带有用户偏好特征的加权知识图谱。基于图卷积网络聚合知识图谱中项目的特征向量表示，为了增强用户的偏好特征学习，设计了注意力机制。通过加权知识图谱中边权重的大小采样聚合项目的邻居实体， 并依据链接的距离扩散至多跳邻居中，以达到在知识图谱中传播用户的偏好特征。在不同推荐场景中的实验证明了KPRLN的有效性。
参考文献（略）
