融合知識圖譜的矩陣分解推薦算法

打開文本圖片集

摘要：針對傳統(tǒng)推薦算法中存在的數(shù)據(jù)稀疏性問題，在矩陣分解推薦算法的基礎(chǔ)上提出了融合知識圖譜的推薦算法MFBKG。首先使用TransH算法將知識圖譜中的實體和關(guān)系映射為低維連續(xù)的向量，利用余弦公式計算實體向量之間的語義相似度；然后，將實體向量之間的語義相似度融入矩陣分解推薦算法的優(yōu)化函數(shù)中，同時利用評分矩陣和語義關(guān)系優(yōu)化用戶隱因子向量和項目因子向量；最后，在真實的數(shù)據(jù)集上對算法的性能進行測試，結(jié)果表明，在MAE和RSME兩個性能指標上，比其他相關(guān)算法具有更好的表現(xiàn)。（剩余5817字）