基于多语义与时序卷积的知识图谱推荐模型

摘要

推荐系统是解决信息过载问题的重要手段，知识图谱是目前推荐系统应用最为广泛的辅助信息来源。现有知识图谱在推荐系统中存在多语义关系动态建模不足、邻居序列依赖与长程关联建模缺失、图结构多层次特征提取能力不足的问题。为解决上述问题，本文提出一种基于多语义与时序卷积的推荐模型MSTC-KG。该模型通过多头注意力机制与门控机制动态融合用户-关系交互，区分邻居节点语义贡献；利用GRU捕捉邻居序列的时序依赖和长程关联；通过一维卷积神经网络提取图结构的局部-全局多层次特征。在2个公开数据集上与14个基线模型的对比实验显示，MSTC-KG在Book-Crossing、MovieLens-20M数据集上AUC分别为0.737和0.982,F₁值分别为0.680和0.938,均领先于其他基准模型。实验表明，模型通过“多语义动态区分+时序依赖捕捉+层次特征提取”架构，有效提升推荐准确性和对复杂知识图谱结构的建模能力。

关键词

知识图谱 / 推荐系统 / 多头注意力 / GRU / 卷积神经网络