基于知识图谱和用户长短期兴趣的餐馆推荐方法研究.pdf

摘要

互联网智能化发展推动了餐饮电子商务网站和软件应用的快速发展，推荐系统也广泛应

用于餐饮服务网站。在推荐系统不断发展过程中，人们对推荐结果的个性化和可解释性等问

题的重视程度日益提高。然而，现有餐馆推荐方法大多数是从用户角度考虑推荐相似度（例

如评论、情感、评级等），忽略了餐馆本身的属性信息和餐馆间的高阶关系；另一方面，一

些传统推荐方法仅仅利用用户对餐馆显式或隐式反馈做出推荐，容易出现数据稀疏性的问题。

此外，用户的就餐兴趣具有多样化且不固定的特点，不同用户对餐馆的风格、环境、设施的

需求和喜好程度不尽相同。为了获得更符合用户需求的推荐结果，需要充分考虑用户兴趣的

动态变化。为了解决上述问题，本文的主要开展了如下研究工作：

（1）引入知识图谱作为辅助信息，将用户与餐馆的交互矩阵与知识图谱联系起来，

通过对知识图谱三元组的语义结构分析，挖掘蕴含的用户和餐馆之间、餐馆与餐馆之间的高

阶联系和语义信息，提高推荐的准确性和可解释性。

（2）基于Yelp网站真实就餐数据，筛选并分析餐馆属性，划分属性类型，创建图谱

关系，设计并搭建知识图谱模式层和数据层，构建了餐馆知识图谱R-KG用于分析研究；并

使用主流图数据库Neo4j进行可视化存储，构建可查询分析的可视化餐馆知识图谱数据库。

（3）针对现有推荐算法在用户兴趣动态变化和数据稀疏场景下的性能表现不佳的问

题，提出了一种结合知识图谱和用户长短期兴趣的餐馆推荐方法RR-KGLSI。该模型充分考

虑用户兴趣变化对用户就餐特征提取的影响，从长期稳定兴趣和短期动态兴趣两方面学习用

户就餐偏好，利用知识图谱语义结构和神经网络分别对长短期兴趣进行建模。模型中考虑到

区分用户对餐馆各属性的偏好程度，对不同属性进行分类，通过知识图谱语义结构，对不同

类别的属性分别计算相关度，以区分用户的偏好重点。

（4）考虑到长短期兴趣融合效果对推荐结果的影响，本文设计了一个门控结构来动

态获取兴趣分配的权重，即长短期兴趣贡献占比。该结构能够针对不同用户兴趣，自适应地

融合用户的长期和短期兴趣，生成混合兴趣表示。此外，本文将此兴趣融合方法与常见的拼

接融合方法进行对比实验，性能指标AUC、ACC、F1分别是0.9310、0.8724、0.8773，取得

了比MLP、FM、DeepFM、RippleNet等先进基线模型更好的性能。

关键词:餐馆推荐；知识图谱；长短期兴趣；推荐方法；餐馆属性；

Abstract

TheintelligentdevelopmentoftheInternethaspromotedtherapiddevelopmentofcateringe-

commercewebsitesandsoftwareapplications,andtherecommendationsystemhasbeenwidelyused

incateringservicewebsites.Withthedevelopmentofrecommendationsystems,userspaymoreand

moreattentiontothepersonalizationandinterpretabilityofrecommendationresults.However,most

existingrestaurantrecommendationmethodsconsiderrecommendationsimilarityonlyfromthe

usersperspective(e.g.,reviews,sentiment,ratings,etc.),ignoringtheattributeinformationofthe

restaurantandthehigher-orderrelationshipsbetweenrestaurants.Sometraditionalrecommendation

methodsuseonlyusers’explicitorimplicitfeedbackonrestaurantstomakerecommendations,