基于KGCN與RippleNet的推薦系統核心特征提取研究

摘要：文章提出了一種將KGCN和RippleNet相結合的方法，其利用KGCN提取知識圖譜中的實體和關系信息[1]，利用RippleNet對用戶和商品進行表示，從而提高推薦效果。實驗結果表明，該方法可以顯著提高推薦效果，并提取出一些核心特征。

關鍵詞：推薦系統；知識圖譜；圖卷積網絡；KGCN；RippleNet

doi：10.3969/J.ISSN.1672-7274.2023.06.010

中圖分類號：TP 183，TP 391.1" " " " " "文獻標志碼：A" " " " " " "文章編碼：1672-7274（2023）06-00-03

Abstract：" The article proposes a method that combines KGCN and RippleNet， which utilizes KGCN to extract entity and relationship information from the knowledge graph [1]， and uses RippleNet to represent users and products， thereby improving recommendation effectiveness. The experimental results show that this method can significantly improve recommendation performance and extract some core features.

Key words： recommendation system; knowledge map; graph convolution network; KGCN; RippleNet

推薦系統利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程[2]，已經被廣泛應用于電商、社交媒體等領域。推薦系統可以根據用戶的歷史行為、興趣等信息，為用戶推薦他們可能感興趣的商品、文章等，從而提高用戶的滿意度和平臺的收益。然而推薦系統面臨著數據稀疏、冷啟動等問題，因此提高推薦效果成為了推薦系統研究的重點[3]。

知識圖譜是一種用圖表示的知識庫，其中的節點表示實體，邊表示實體之間的關系。知識圖譜可以包含各種信息，如實體的屬性、分類、關系等[1]。因此，知識圖譜可以為推薦系統提供更多的信息，幫助推薦系統更好地理解用戶和商品的關系。而圖卷積網絡（Graph Convolutional Networks，GCN）作為一種有效的圖表示學習方法，已經在推薦系統中得到了廣泛的應用。KGCN是一種基于知識圖譜的圖卷積網絡，已經被證實在推薦系統中具有優良的的性能。但是KGCN也存在一些問題，如計算復雜度高、缺乏一些重要的特征等。

RippleNet是一種基于用戶-商品交互關系的推薦算法，能夠將用戶和商品映射到一個低維空間中，并計算它們之間的相似度。RippleNet具有高效、可擴展、有效等優點。本文提出了一種將KGCN和RippleNet相結合的方法，其利用KGCN提取知識圖譜中的實體和關系信息[4]，利用RippleNet對用戶和商品進行表示，從而提高推薦效果。

1" 定義

1.1 知識圖譜表示學習定義

知識圖譜表示學習是將知識圖譜中的實體和關系映射到低維向量空間中的過程[5]。目前，已經有很多知識圖譜表示學習方法被提出，如TransE、TransH、TransR等。這些方法主要是通過定義一些損失函數，將知識圖譜中的實體和關系映射到向量空間中，并通過最小化損失函數來學習表示。這些方法主要針對知識圖譜中的實體和關系進行表示學習，但是缺乏對于推薦系統中用戶和商品的表示學習。

1.2 圖卷積網絡定義

圖卷積網絡是一種有效的圖表示學習方法，它可以將圖中的節點表示映射到低維向量空間中[6]。GCN是一種典型的圖卷積網絡，它通過對鄰居節點的信息進行聚合，來更新每個節點的表示。GCN在推薦系統中已經得到了廣泛的應用，如基于鄰域的推薦、基于路徑的推薦等。KGCN是一種基于知識圖譜的圖卷積網絡，它將知識圖譜中的實體和關系轉化為圖，然后通過GCN對圖中的節點進行表示學習。KGCN在推薦系統中已經得到了很好的應用效果。

2" 算法

2.1 知識圖譜表示學習算法

首先，利用KGCN對知識圖譜中的實體和關系進行表示學習，得到它們在向量空間中的表示。KGCN使用多層GCN對知識圖譜進行表示學習[7]，其中每一層GCN可以表示為

式中，H（l）為第l層GCN中節點的表示；為圖的鄰接矩陣；為對角矩陣；為激活函數；為權重矩陣。

2.2 用戶和商品表示學習算法

接著，將用戶和商品映射到低維向量空間中。對于每個用戶u和商品i，分別將它們在知識圖譜中的表示與用戶和商品的特征向量進行拼接，得到它們在向量空間中的表示：

式中，和分別為用戶和商品的嵌入向量；和分別為用戶和商品的特征向量。然后，通過RippleNet對用戶和商品的表示進行學習，得到它們在向量空間中的最終表示。RippleNet中包括了多層感知機（MLP）和交互模塊，其中MLP對用戶和商品的表示進行非線性轉換，交互模塊對用戶和商品的表示進行交互計算，得到它們之間的相似度。

2.3 推薦算法

最后，利用用戶和商品的相似度，對用戶進行推薦。對于每個用戶u，根據其與所有商品之間的相似度，得到其Top-K個推薦商品。具體地，可以定義如下的推薦算法：

式中，為用戶u對商品i的推薦得分；MLP為多層感知機。具體地，將用戶u和商品i的表示在最后一層GCN中得到的表示進行拼接，并經過多層感知機進行非線性轉換，得到他們之間的推薦得分。最終，對于每個用戶u，根據其與所有商品之間的相似度，得到其Top-K個推薦商品。

2.4 算法結論

在兩個數據集上，我們對比了KGCN和基于圖卷積的推薦算法的性能，并驗證了KGCN與RippleNet的結合效果。實驗結果表明，KGCN在兩個數據集上都取得了最優的性能，而且與RippleNet的結合可以進一步提高推薦算法的性能。

3" 實驗與分析結果

我們使用MovieLens-1M和Amazon-Book兩個公開數據集進行實驗。MovieLens-1M包含了6 000個用戶對4 000部電影的評分數據，Amazon-Book包含了

6 000個用戶對4 000本書的評分數據。我們將數據集按照8∶1∶1的比例分成訓練集、驗證集和測試集，并使用均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）作為評價指標[8]。

對于KGCN和RippleNet，我們使用了相同的超參數進行訓練，包括嵌入維度、GCN層數、Dropout比率、學習率等。具體來說，我們將嵌入維度設置為64，GCN層數設置為2，Dropout比率設置為0.5，學習率設置為0.01。對于KGCN+RippleNet，我們將兩種算法的嵌入向量拼接起來，再使用一個MLP進行最終的預測。

KGCN和RippleNet在MovieLens-1M和Amazon-Book上的實驗結果如表1所示，其中最佳結果用粗體表示。

從實驗結果可以看出，KGCN在兩個數據集上都優于RippleNet，并且KGCN與RippleNet的結合可以進一步提高推薦算法的性能。這表明，知識圖譜和圖卷積算法在推薦系統中的應用具有很大的潛力。

接下來，我們將KGCN與其他兩種經典的推薦算法進行了比較：矩陣分解（Matrix Factorization，MF）和多層感知機（Multi-Layer Perceptron，MLP）。我們使用了同樣的數據集和評價指標進行比較，結果如表2所示。

從表2可以看出，KGCN和KGCN+RippleNet在兩個數據集上都優于MF和MLP，這進一步驗證了KGCN在推薦系統中的有效性和優越性。同時，KGCN+RippleNet相對于KGCN也有一定的性能提升，這表明知識圖譜和圖卷積算法的結合對于推薦算法的性能提升具有積極的作用。

4" 基于Python和TensorFlow平臺推薦" "算法的步驟與實現

RippleNet使用一種基于局部知識傳播的方法，通過不斷地擴展用戶和物品的關系網絡來進行推薦，通過以上基礎，做出下列實驗步驟與實驗代碼。

（1）數據集準備：收集用戶歷史行為數據和知識圖譜數據，并對數據進行清洗和預處理。

（2）構建知識圖譜：將知識圖譜數據轉換為圖結構，并對圖進行表示學習和嵌入表示，得到實體和關系的向量表示。

（3）構建訓練集和測試集：將數據集劃分為訓練集和測試集。通常采用隨機抽樣的方法，確保訓練集和測試集之間的數據沒有交叉[9]。

（4）構建推薦模型：選擇合適的推薦算法模型，如KGCN或RippleNet，并根據數據特點和實驗需求對模型進行適當的調整。

（5）訓練模型：將訓練集輸入模型，使用優化算法來優化模型參數，使其能夠很好地擬合數據。

（6）測試模型：將測試集輸入訓練好的模型，評估模型的性能表現。通常使用評價指標如均方根誤差、準確率、召回率等來評估模型。

（7）使用模型進行推薦：使用訓練好的模型來對新的用戶和物品進行推薦。可以根據模型輸出的結果來排序推薦結果，也可以設定閾值來進行過濾。

我們首先加載了用戶歷史行為數據和知識圖譜數據，并使用NetworkX將知識圖譜數據轉換為圖結構。然后，我們分別使用KGCN和RippleNet構建了推薦模型，并使用訓練集訓練了這兩個模型。最后，我們使用訓練好的模型來對指定用戶和物品進行推薦，并輸出推薦結果。

5" 不足與展望

雖然本文提出的KGCN與RippleNet的結合取得了較好的實驗效果，但仍存在一些不足之處。首先，我們只考慮了用戶與商品之間的交互關系，而未考慮其他因素，如時間、位置、社交網絡等。未來，我們可以嘗試將這些因素考慮進來，進一步提高推薦算法的性能。

其次，本文中的實驗數據集都是基于顯式反饋數據的，即包括用戶對商品的評分信息。在現實生活中，很多數據都是隱式反饋數據，即用戶的行為數據，如點擊、購買、收藏等。未來，我們可以嘗試將KGCN應用于隱式反饋數據，進一步提高推薦算法的性能。

最后，KGCN目前只考慮了靜態知識圖譜，即知識圖譜的結構不會發生變化。然而在現實生活中，知識圖譜是動態的，其結構會隨著時間和事件的推移而不斷發生變化。未來我們可以將KGCN應用于動態知識圖譜，進一步提高推薦算法的性能。

6" 結束語

本文介紹了基于知識圖譜的圖卷積網絡推薦算法KGCN，并將其與RippleNet結合，提取了核心特征，并在兩個真實數據集上進行了實驗。實驗結果表明，KGCN在兩個數據集上都取得了最優的性能，并且與RippleNet的結合可以進一步提高推薦算法的性能。未來我們將繼續探索基于知識圖譜的推薦算法，并嘗試將更多的圖卷積算法與知識圖譜相結合，以提高推薦算法的性能。■

參考文獻

[1] 胡婷婷，黃剛，吳長旺．融合知識圖卷積網絡的雙端鄰居推薦算法[J]．計算機技術與發展，2022（10）：34-40.

[2] 郭曉旺．基于知識圖譜的推薦算法研究[D]．無錫：江南大學，2022.

[3] 陳占貂．基于知識圖譜和圖神經網絡的推薦模型研究[D]．上海：華東師范大學，2022.

[4] 吳婷婷．基于領域知識圖譜的資源推薦系統[D]．石家莊：河北科技大學，2021.

[5] 劉偉江，郝一哲．融合知識圖譜的RippleNet推薦模型優化研究[J]．現代情報，2021（9）：64-73，83.

[6] 管文豪，張爽，汪柏樂．基于RippleNet的商品推薦研究[J]．科學技術創新，2021（22）：103-104.

[7] 陶陽．電影角色推薦算法的研究及系統實現[D]．北京：北京郵電大學，2021.

[8] 史浩，鄭春瑛．借鑒RippleNet基于區塊鏈技術的碳金融市場發展模式研究[J]．山西農經，2020（23）：164-168.

[9] 王鴻偉．基于網絡特征學習的個性化推薦系統[D]．上海：上海交通大學，2018.