Der Artikel stellt ein neuartiges End-to-End-Tiefenlernmodell namens RKGCN (Representation-Enhanced Knowledge Graph Convolutional Networks) vor, das Wissensgrafen nutzt, um die Darstellung sowohl von Benutzern als auch von Artikeln zu verbessern und so genauere und personalisierte Empfehlungen zu ermöglichen.
Das Kernkonzept von RKGCN ist es, Wissensgrafen zu verwenden, um die Darstellung von Benutzern und Artikeln gleichzeitig zu verbessern, und dann die verbesserten Darstellungen zu nutzen, um die dynamischen Interessen der Benutzer bei der Begegnung mit verschiedenen Artikeln zu erfassen, um genauere Empfehlungen zu machen.
RKGCN kombiniert zwei verschiedene Methoden, RippleNet und KGCN, um die Leistung des Empfehlungssystems zu verbessern. Es verwendet Wissensgrafen, um die Darstellung sowohl von Benutzern als auch von Artikeln zu verbessern, was es dem Modell ermöglicht, personalisierte und relevante Empfehlungen zu geben.
Die experimentellen Ergebnisse zeigen, dass RKGCN auf drei realen Datensätzen (Filme, Bücher und Musik) die Leistung von fünf State-of-the-Art-Methoden übertrifft.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Chen Li,Yang... at arxiv.org 04-11-2024
https://arxiv.org/pdf/2305.01147.pdfDeeper Inquiries