基于异构注意力网络的知识图嵌入元路径推荐算法

摘要

针对现有模型在使用知识图嵌入方法时未进行有效约束，导致噪声信息渗透到底层数据且基于元路径的推荐算法仅采用统一的权重分配策略，忽视了元路径之间的细微差异，同时传统模型也面临数据稀疏和冷启动问题。提出了一种基于异构注意力网络的知识图嵌入元路径推荐算法（MRHAN），通过定义元路径来捕捉不同类型实体和关系之间的复杂语义信息，从而更好地利用丰富的异构信息来缓解数据稀疏和冷启动问题。在知识图嵌入过程中，采用基于节点相关性的约束方法，将语义相关的高阶实体和关系整合到唯一的元路径中。同时，使用层次化注意力网络来建模节点对不同邻居和不同元路径的偏好，学习节点与不同邻居之间的权重关系，及元路径对不同推荐任务中的权重分配。实验结果表明，该模型能够有效学习知识图谱的表示以及节点邻居和元路径对节点的重要性，并进一步缓解数据稀疏和冷启动问题。

关键词

知识图谱 / 推荐系统 / 注意力机制 / 元路径