融合层级知识图谱嵌入与注意力机制的推荐方法.pdfVIP

计算机科学与探索1673-9418/2025/19(06)-1508-14

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2407019

融合层级知识图谱嵌入与注意力机制的推荐方法

+

沙潇，王建文，丁建川，徐笑然

河北水利电力学院计算机系，河北沧州061001

+通信作者E-mail:shaxiao@

摘要：知识图谱在推荐系统中已广泛应用，有助于缓解用户与项目交互数据稀疏性问题。现有基于知识图谱的推

荐方法主要依赖路径挖掘或信息传播来探索用户与项目之间的潜在关联，但未能充分利用知识图谱中的丰富语义

和结构信息，且易引入无关噪声，影响推荐的准确性。为此，提出了一种融合层级知识图谱嵌入与注意力机制的推

荐方法（HKSAR），旨在挖掘知识图谱的高阶语义和结构信息以缓解数据稀疏性问题。构建用户与项目的高阶子

图，显式刻画用户与项目之间的复杂关联关系。通过层级子图嵌入模块，对子图中的高阶语义和拓扑结构进行编

码，并结合自注意力机制，区分子图中各实体的重要性，最终生成高质量的子图嵌入表示，实现对用户偏好的精准建

模。实验结果表明，在三个真实数据集上，相较于现有最优基线模型，所提方法在Hit和NDCG指标上分别实现了平

均10.7%和13.6%的提升，且在不同数据稀疏程度的场景下推荐效果均占优，有效缓解了数据稀疏性问题。

关键词：推荐系统；图神经网络；知识图谱；自注意力机制；协同过滤

文献标志码：A中图分类号：TP391

HierarchicalKnowledgeGraphEmbeddingandSelf-AttentionMechanismfor

Recommendation

+

SHAXiao,WANGJianwen,DINGJianchuan,XUXiaoran

DepartmentofComputerScience,HebeiUniversityofWaterResourcesandElectricEngineering,Cangzhou,Hebei

061001,China

Abstract:Knowledgegraphshavebeenwidelyappliedinrecommendationsystems,contributingtoalleviatingthedata

sparsityissueinuser-iteminteractions.Existingknowledgegraph-basedrecommendationmethodsprimarilyrelyonpath

miningorinformationpropagationtoexplorepotentialassociationsbetweenusersanditems.However,theyoftenfailto

fullyleveragetherichsemanticsandstructuralinformationwithinknowledgegraphs,andmayintroduceirrelevantnoise,

therebyaffectingtheaccuracyofrecommendations.Toaddresstheseproblems,thispaperproposesarecommendation

methodthatintegrateshierarchicalknowledgegraphembeddingandself-attentionmechanism(HKSAR),aimingtoextract

high-ordersemanticsandstructuralinformationfromknowledgegraphstomitigatethesparsityproblem.Specifically,the

proposedmodelfirstconstructshigh-o