计算机论文哪里有？本文先总结近年来基于知识图谱与图神经网络的推荐算法，并分析了这些方法如何利用知识图谱来改进推荐结果，并在这些方法中发现了一些不足，他们大多数都忽略了冷启动邻居节点和噪音干扰问题。
1绪论
1.2国内外研究现状
1.2.1传统推荐算法
推荐系统通过对用户的历史行为进行分析，精准的为用户推荐更加符合其需求的产品或服务，针对不同用户实现个性化的服务。推荐系统及相关技术可以根据用户的历史行为、偏好、社交网络等多种因素，为用户个性化地推荐产品、服务或信息，从而提高用户的满意度和体验度。推荐算法的优势主要体现为以下3个方面：
（1)解决信息过载问题
随着互联网的快速发展，人们获取信息的方式越来越多样化和便捷化，但同时也带来了信息过载的问题。推荐系统可以通过个性化的过滤和推荐，帮助用户快速找到自己感兴趣的信息，缓解信息过载的问题。
(2)满足用户个性化需求
随着用户的个性化需求不断增加，传统的信息检索和推荐方式已经难以满足用户的需求。推荐系统可以根据用户的历史行为、兴趣偏好、个人特征等信息，为用户提供个性化的推荐服务，推荐符合其需求的产品或服务，从而提高用户的满意度，满足用户的个性化需求。
3融合知识图谱与预训练的物品冷启动推荐方法
3.1引言
近些年有很多将知识图谱结合图神经网络应用在推荐系统上的工作，并取得了一定的效果。虽然知识图谱可以提供实体，使未交互过的用户和物品以此进行高阶连接，但同时由于图神经网络的训练方式，会产生这两个问题：一个是模型对物品节点(即冷门商品)的学习不够充分[34]，另一个是物品节点容易被噪声数据干扰[35,42]。虽然可以通过这些基于知识图谱的方法补充冷启动物品嵌入，但是仅仅提高了目标冷启动物品节点本身的嵌入表示，忽略了在高阶信息传播时，会遇到目标冷启动物品节点邻居带来的噪声，因为冷启动节点的邻居也有是可能是冷启动节点，所以需要解决邻居带来的噪音问题，加强冷启动物品节点的嵌入质量，从而解决物品冷启动问题。
综上所述，本章提出一种通过融合知识图谱与预训练的物品冷启动推荐算法(Embedding Guarantor:Knowledge-enhanced Graph Learning for New Item Cold-startRecommendation EG-KECL)，为解决冷启动物品节点交互过的冷启动用户节点带来噪声的问题。方法及步骤如下，首先在预训练阶段，本算法依据知识图谱和用户物品二部图，构造协同知识图，生成用户、物品和实体初始嵌入，根据自注意力学习器来构建元嵌入，其次在一阶传播时，针对物品非完全冷启动问题，采用元聚合器聚合目标物品以及邻居来重构物品的嵌入，针对物品完全冷启动问题，仅通过实体来重构冷启动物品的嵌入，最后经过高阶传播，将物品和用户最终的嵌入进行内积得到用户采取目标物品的概率，并取前N项作为最终推荐结果。实验表明EG-KECL可以解决物品冷启动问题。
4融合知识图谱与关系感知对比学习的冷启动推荐算法
4.1引言
近年来，知识图谱作为一种辅助信息被广泛应用在各种领域，尤其是在推荐系统方面，因为知识图谱可以为推荐提供一个良好的补充，并提供可解释性、多样性的推荐结果，虽然这些基于知识图谱的方法通过多跳聚合高阶信息来提高目标节点嵌入质量来解决冷启动问题。但是本文通过分析，并认为这些基于知识图谱的方法仅侧重于从数据层面提高推荐性能(即利用实体关系提供高阶协作信号)，但他们大多数都忽略在冷启动场景中，由于冷启动节点质量不高，使得带来的噪音会干扰目标节点的问题。并且基于知识图谱的方法在多跳聚合高阶信息时，很容易受到交互带来的噪音的破坏[34,41]，尤其在冷启动的情况下受到影响更大。一方面，由于用户提供的大多数反馈都是隐式的(例如，点击、浏览)，而不是显式的(例如，评分、喜欢/不喜欢)，用户物品交互容易存在一定的噪声，如点击行为中存在一定的误点击，而未点击中也有可能包含用户比较感兴趣的物品。举例来说，比如目标用户误点了一个物品，此物品不是用户所喜欢的，如果这个用户是一个冷启动用户，平常很少买东西，推荐系统会推荐给这个冷启动用户不喜欢的相似物品，这就会对推荐结果产生较大的误导，尤其是在冷启动(包括物品冷启动以及用户冷启动)的情况下，会产生不准确的结果。另一方面，实际应用中的知识图谱往往是有噪声的，比如知识图谱的链接中也包含了很多物品和实体之间弱关联甚至不太相关的噪音连接信息。所以有必要减少冷启动节点减受到的噪声，提高冷启动节点的嵌入质量，挖掘用户潜在的兴趣，从而缓解推荐冷启动问题。
4.2推荐模型
融合知识图谱与关系感知对比学习算法流程图，如图4.1所示。下半部分为对比学习的预训练模块，首先引入知识图谱与用户-物品交互信息构建协同知识图，后通过对比学习预训练模块减轻冷启动节点邻居或与物品弱相关的实体给冷启动节点所带来的噪声，提高节点嵌入质量。上边部分为推荐模块，其中包括基于关系感知的物品模块、基于注意力的用户偏好模块以及基于负采样的推荐预测模块。物品节点利用门控注意力机制使物品更好的聚合用户和实体两种邻居，减少由于弱相关知识图谱实体的噪声。在高阶传播得到节点嵌入表示之后，又通过自适应采样器方法为用户得到硬负样本，减少用户误点击带来的噪声，优化模型训练，挖掘用户的真实兴趣。由此减少冷启动节点可能受到的噪声，提高节点的嵌入质量，从而解决推荐冷启动问题。
5总结与展望
5.2研究展望
本文对解决推荐系统冷启动问题进行比较深入的研究，针对推荐系统冷启动问题，本文提出了从融合知识图谱和预训练的物品冷启动推荐算法和融合知识图谱与关系感知对比学习的冷启动推荐两种算法。但从多角度分析来看仍存在一些不足。为解决一些不足之处，根据本文现有研究成果，下一阶段的研究可分为以下3个方向：
1结合用户辅助信息进行推荐。目前，基于知识图谱的推荐系统大多是通过加入物品辅助信息来构建知识图谱，很少有基于知识图谱的模型考虑用户辅助信息。比如用户社交网络等信息也可以整合到当前基于知识图谱的推荐系统框架中，能够更好地解决推荐冷启动问题。因此，在知识图谱中结合用户辅助信息可以是一个未来的研究方向。
2动态推荐。一般的基于知识图谱的推荐系统可以被视为静态偏好推荐，并不会因为用户的兴趣变化而发生变化。然而，在某些情况下，如网上购物、贴吧和论坛，用户的兴趣可能会很快受到社交事件或朋友的影响。在这种情况下，使用静态偏好建模的推荐可能不足以理解实时的兴趣。最近，Song等人[54]设计了一个动态图注意网络，通过结合朋友的长期和短期兴趣来捕捉用户快速变化的兴趣。通过遵循这种方法，可以集成其他类型的边信息并构建一个动态推荐的知识图谱，因此这是一个可以进行研究的方向。
3知识图谱补全。知识图谱的信息也存在稀疏性和噪声问题，使得物品之间的实体依赖关系偏离了对其真实特征的反映，从而降低了准确度。所以针对此问题本文也可以通过知识图谱补全和推荐系统联合训练，互相补充，从而提升推荐系统的推荐质量，为知识图谱补充缺少的实体或关系，如此实现双赢。因此在知识图谱中进行实体和关系补全可以是另一个研究方向。
参考文献（略）
