基于知识图谱与协同过滤的租房推荐系统设计与实现.pdfVIP

摘要

随着城市化进程的不断推进，租房市场的发展如日中天。然而，随着信息的爆炸

式增长，房源需求者面对海量的房源信息时经常感到不知所措，很难快速找到符合自

己需求的房源。推荐系统基于用户的喜好及过往行为等多方面因素，能够帮助用户在

面临众多房源信息时做出最优的选择。然而，传统的租房推荐系统通常只是根据用户

的简单历史行为或静态属性进行推荐，忽视了用户个性化需求的多样性，进而导致推

荐的准确度不高。因此，如何优化与改进推荐算法，提升租房推荐系统的智能化水平，

减轻用户在大量房源信息中的搜索负担，提高用户找到满意房源的准确性和效率，满

足用户个性化需求，是当前租房推荐研究领域亟待解决的问题。致力于为用户提供更

加个性化、精准的租房推荐服务，本文设计并实现了基于知识图谱与协同过滤的租房

推荐系统，主要研究工作如下：

首先，在基于物品的协同过滤中，采用同现相似度公式计算房源与房源之间的相

似度，并引入了对活跃用户及热门房源的惩罚机制，有效降低二者对相似度计算的影

响。

其次，构建房源知识图谱提取出房源数据的基础信息，使用基于距离的翻译模型

TransE对提取的房源基础信息进行训练，生成房源实体的语义向量，利用余弦相似

度公式计算房源的语义相似度。通过高位替换低位的策略将协同过滤与知识图谱的推

荐结果集合以不同的比例进行融合，对消融实验的结果进行分析，确定算法最佳的融

合比例和参数配置。与经典算法UserCF、KGCN、RippleNet相比，本文提出的

ItemCF-KG算法在准确率指标上具有明显的优势。

最后，在系统实现方面，开发了一个具有多样化功能的租房平台，涵盖了智能推

荐、房价预测、房屋查询等多项功能，通过系统测试验证了其功能的正确性和可靠性。

综合而言，本研究设计的租房推荐系统不仅在技术上实现了知识图谱与协同过滤的有

效融合，还为用户提供了更加便捷、智能化的租房体验，具有重要的实践意义和很强

的实用性。

关键词：推荐系统；协同过滤；知识图谱；TransE

Abstract

Withthecontinuousadvancementofurbanization,thedevelopmentoftherental

marketisbooming.However,withtheexplosivegrowthofinformation,housingseekers

oftenfeeloverwhelmedbythevastamountofhousinginformation,makingitdifficultto

quicklyfindlistingsthatmeettheirneeds.Recommendationsystem,basedonavarietyof

factorssuchasuserspreferencesandpastbehaviors,canhelpusersmakethebestchoice

whenfacedwithnumeroushousingoptions.Traditionalrentalrecommendationsystems,

however,oftenonlymakerecommendationsbasedonuserssimplehistoricalactionsor

staticattributes,neglectingthediversityofuserspersonalizedneeds,whichleadstolow

accuracyinrecommendations.Therefore,optimizingandimprovingrecommendation

algorithmstoenhancetheintelligencelevelo