RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

摘要 推荐系统是电子商务和在线服务中的重要组成部分。传统的推荐方法主要基于用户历史行为或项目属性，但这些方法存在一些问题，如数据稀疏性、冷启动问题和长尾问题。近年来，知识图谱被广泛应用于推荐系统中，以解决这些问题。然而，现有的知识图谱推荐方法仍然存在一些挑战，如节点嵌入表示不准确、无法处理复杂的用户偏好和缺乏可扩展性等。 本文提出了一种新的推荐方法RippleNet，它利用知识图谱中的实体关系来传播用户偏好，并使用注意力机制来捕捉复杂的用户偏好。具体来说，我们将用户和项目表示为向量，并在知识图谱上执行多跳传播操作，以获取与用户偏好相关的实体。然后，我们使用注意力机制来捕捉用户对这些实体的不同偏好程度，并计算用户和项目之间的相似度得分。最后，我们通过负采样和交叉熵损失函数来训练模型。 我们在三个真实数据集上进行了实验，结果表明RippleNet在准确性、覆盖率和多样性方面都优于现有的知识图谱推荐方法。此外，我们还进行了一些实验来评估RippleNet在处理冷启动和长尾问题方面的性能。 关键词：推荐系统、知识图谱、多跳传播、注意力机制、负采样 1. 引言 推荐系统是电子商务和在线服务中的重要组成部分，它可以帮