最新資訊

基于知識(shí)圖譜和協(xié)同過(guò)濾算法的多頭注意力網(wǎng)絡(luò)

當(dāng)前基于知識(shí)圖譜的推薦方法大多聚焦于知識(shí)關(guān)聯(lián)的編碼機(jī)制，往往忽視了用戶-物品交互中潛在的關(guān)鍵協(xié)同信號(hào)，導(dǎo)致現(xiàn)有模型學(xué)習(xí)到的嵌入向量無(wú)法有效地表達(dá)用戶和物品在向量空間中的潛在語(yǔ)義。為解決這一問(wèn)題，提出一種融合知識(shí)圖譜和協(xié)同過(guò)濾的多頭注意力網(wǎng)絡(luò)——協(xié)同知識(shí)感知多頭注意力網(wǎng)絡(luò)（CKAN-MH）。該網(wǎng)絡(luò)在傳統(tǒng)的CKAN模型的基礎(chǔ)上引入多頭注意力機(jī)制，以自適應(yīng)地關(guān)注不同特征的子集，通過(guò)動(dòng)態(tài)調(diào)整注意力權(quán)重，對(duì)尾實(shí)體進(jìn)行差異化加權(quán)處理。引入多頭注意力機(jī)制后，模型能夠更全面地捕捉數(shù)據(jù)中隱含的復(fù)雜關(guān)系與模式，進(jìn)而顯著提升推薦系統(tǒng)的性能表現(xiàn)。此外，還在三個(gè)真實(shí)數(shù)據(jù)集上應(yīng)用CKAN-MH模型進(jìn)行實(shí)驗(yàn)評(píng)估。實(shí)驗(yàn)結(jié)果表明，CKAN-MH模型在性能上優(yōu)于當(dāng)前多個(gè)主流先進(jìn)基線模型，驗(yàn)證了該模型的有效性和優(yōu)越性。

發(fā)表于：2025/8/14