原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
计算机科学与探索1673-9418/2025/19(05)-1217-13
JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2406021
融合自适应超图的自监督知识感知推荐模型
+
周家旋，柳先辉，赵晓东，侯文龙，赵卫东
同济大学电子与信息工程学院，上海201804
+通信作者E-mail:tj_liuxh@163.com
摘要：为缓解传统协同过滤推荐系统存在的冷启动问题，知识图谱作为一种辅助知识被引入到推荐系统中。然
而，现有的知识图谱推荐模型在充分地建模高阶相互作用方面存在局限性，难以捕获来自高阶邻居的重要信息。此
外，监督信号的稀疏性问题也影响着推荐系统性能。为了解决上述问题，提出一种融合自适应超图的自监督知识感
知推荐模型。该模型使用混合图卷积网络共同学习交互图中低阶交互嵌入与自适应超图中高阶交互嵌入；使用关
系感知图注意网络挖掘知识图谱中用户与物品丰富的知识信息；模型在这三种视图基础上构建对比学习任务，通过
引入自监督信号来缓解交互数据的稀疏性问题；将三种嵌入相结合，用于后续的推荐预测。该模型在多个公开数据
集上与KGAT、KGIN、KACL等基准模型进行了对比实验，与7个对比模型中推荐性能最好的模型相比，在MovieLens
数据集上，Recall@20提升了1.22%，NDCG@20提升了1.17%；在Yelp2018数据集上，Recall@20提升了1.41%，NDCG@
20提升了1.60%。实验结果显示该模型的推荐性能优于其他基准模型。
关键词：推荐系统；知识图谱；自适应超图；自监督学习；关系感知图注意网络
文献标志码：A中图分类号：TP391
Self-SupervisedKnowledge-AwareRecommendationModelIntegratingAdaptive
Hypergraph
+
ZHOUJiaxuan,LIUXianhui,ZHAOXiaodong,HOUWenlong,ZHAOWeidong
SchoolofElectronicandInformationEngineering,TongjiUniversity,Shanghai201804,China
Abstract:Toalleviatethecold-startproblemthatexistsintraditionalcollaborativefilteringrecommendationsystems,
knowledgegraphshavebeenintroducedasakindofauxiliaryknowledgeinrecommendationsystems.However,existing
knowledgegraphrecommendationmodelshavelimitationsinadequatelymodelinghigher-orderinteractions,makingit
difficulttocaptureimportantinformationfromhigher-orderneighbors.Inaddition,thesparsityproblemofsupervisedsig-
nalsalsoaffectsrecommendationsystemperformance.Toaddresstheaboveissues,aself-supervisedknowledge-aware
recommendationmodelintegratingadaptivehypergraphisproposed.Themodelfirstutilizesahybridgraphconvolutional
networktojointlylearnthelow-orderinteractionembeddings
文档评论（0）