典型文献
基于知识图偏好注意力网络的长短期推荐模型及其更新方法
文献摘要：
目前,知识图谱推荐的研究主要集中在模型建立和训练上.然而在实际应用中,需要使用增量更新方法定期更新模型来适应新用户和老用户偏好的改变.针对大部分该类模型仅利用用户的长期兴趣表示做推荐,而没有考虑用户的短期兴趣且聚合邻域实体得到项目向量表示时聚合方式的可解释性不足,以及更新模型的过程中存在灾难性遗忘的问题,提出基于知识图偏好注意力网络的长短期推荐(KGPATLS)模型及其更新方法.首先,通过KGPATLS模型提出偏好注意力网络的聚合方式以及结合用户长期兴趣和短期兴趣的用户表示方法;然后,为了缓解更新模型存在的灾难性遗忘问题,提出融合预测采样和知识蒸馏的增量更新方法(FPSKD).将提出的KGPATLS模型和FPSKD方法在MovieLens-1M和Last.FM两个数据集上进行实验.相较于最优基线模型知识图谱卷积网络(KGCN),KGPATLS模型的曲线下面积(AUC)指标在两个数据集上分别有2.2％和1.4％的提升,准确率(Acc)指标分别有2.5％和2.9％的提升.在两个数据集上对比FPSKD与三个基线增量更新方法Fine Tune、Random Sampling、Full Batch,FPSKD在AUC和Acc指标上优于Fine Tune、Random Sampling,在训练时间指标上FPSKD分别降低到Full Batch的大约1/8和1/4.实验结果验证了KGPATLS模型的性能,而FPSKD在保持模型性能的同时可以高效地更新模型.
文献关键词：
长短期推荐模型;知识图偏好注意力网络;增量更新;预测采样;知识蒸馏
中图分类号：
作者姓名：
顾军华;樊帅;李宁宁;张素琪
作者机构：
河北工业大学人工智能与数据科学学院,天津300401;河北省大数据计算重点实验室(河北工业大学),天津300401;天津商业大学信息工程学院,天津300134
文献出处：
引用格式：
[1]顾军华;樊帅;李宁宁;张素琪-.基于知识图偏好注意力网络的长短期推荐模型及其更新方法)[J].计算机应用,2022(04):1079-1086
A类：
知识图偏好注意力网络,长短期推荐模型,KGPATLS,FPSKD
B类：
基于知识,更新方法,增量更新,更新模型,新用户,用户偏好,用用,邻域,向量表示,可解释性,灾难性遗忘,户长,表示方法,融合预测,预测采样,知识蒸馏,MovieLens,1M,Last,FM,基线模型,卷积网络,KGCN,Acc,Fine,Tune,Random,Sampling,Full,Batch,训练时间,时间指标,模型性能
AB值：
0.249097
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。
