.png){kind=icon}
返回
Information entropy-guided knowledge graph recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115539.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）是现代推荐系统中用于整合丰富外部信息并捕捉复杂实体关系的关键辅助技术。然而，其固有的噪声会掩盖关键语义信息，降低基于知识图谱的推荐效果。此外，有效建模和利用不同关系类型的重要性仍是一个重要研究挑战。信息熵作为衡量不确定性或冗余的指标，可以量化实体连接的多样性及其承载的语义信息容量，从而有助于识别结构不确定性或语义信息量低连接。受此启发，我们提出了一个信息熵引导的知识图谱推荐（IEKGR）框架。具体而言，我们采用信息熵量化知识图谱中实体及其连接的语义丰富性。通过结合用户行为数据，我们自适应地生成个性化权重，以引导条件扩散模型对原始知识图谱进行去噪。该引导机制使模型能够选择性识别并过滤噪声边，同时强化指示用户兴趣或物品属性的连接，从而生成与推荐相关的去噪知识子图。此外，为充分捕捉知识图谱中多样且复杂的关系信息，我们设计了一个关系感知图注意力网络（RGAN）。RGAN根据实体间关系类型动态分配注意力权重，从而实现对推荐任务中实体和关系表示的更精确学习。实验结果表明，所提出的IEKGR框架在MIND、Last-FM和Alibaba-iFashion等公开数据集上优于多个当前最优基线方法。
Keyword:
Knowledge graph
Information entropy
Recommender systems
Graph denoising
Relation-aware attention
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
Reinforcement recommendation reasoning through knowledge graphs for explanation path quality基于知识图谱的解释路径质量强化推荐推理
OAAI
OAAI分享收藏Latent Structure Mining With Contrastive Modality Fusion for Multimedia Recommendation面向多媒体推荐的对比模态融合潜在结构挖掘
OAAI
OAAI分享收藏
查看更多内容