典型文献
MIKU:融合知识图谱的用户多层兴趣模型
文献摘要：
现有的推荐算法仅依靠历史行为无法挖掘到用户的深层兴趣,且受到用户冷启动问题的制约,针对上述问题提出融合知识图谱的用户多层兴趣模型(MIKU).该模型首先以用户的历史交互项目为知识图谱的头实体构建用户浅层兴趣,结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣;其次考虑到用户兴趣的多样性,针对不同层次的兴趣分别采用自适应加权机制,学习用户对每个历史行为以及各个深层兴趣点的关注度.该模型在细粒度刻画物品特征的同时,利用知识图谱的结构信息为用户的推荐结果提供了一定的可解释性,并且结合了用户的属性特征有效解决了冷启动问题.通过在公开的MovieLens-1M数据集上进行验证,结果表明MIKU模型同CKE、RippleNet等基准模型相比,在推荐结果的准确率上提高了1.93％～5.59％、召回率上提升了 2.95％～4.7％.
文献关键词：
知识图谱;用户属性;深层兴趣;自适应权重
中图分类号：
作者姓名：
段文菁;谢珺;续欣莹;岳晓冬;刘笑笑
作者机构：
太原理工大学信息与计算机学院,山西晋中030600;太原理工大学电气与动力工程学院,太原030000;上海大学计算机工程与科学学院,上海200444
文献出处：
引用格式：
[1]段文菁;谢珺;续欣莹;岳晓冬;刘笑笑-.MIKU:融合知识图谱的用户多层兴趣模型)[J].小型微型计算机系统,2022(05):1006-1012
A类：
MIKU,深层兴趣
B类：
融合知识,兴趣模型,推荐算法,史行,用户冷启动,冷启动问题,先以,关系路径,接到,实体挖掘,用户兴趣,不同层次,自适应加权,加权机制,习用,兴趣点,细粒度,品特,结构信息,可解释性,属性特征,MovieLens,1M,CKE,RippleNet,召回率,用户属性,自适应权重
AB值：
0.368147
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
