融合用户偏好与语义相似度的推荐算法

摘要

基于矩阵分解的协同过滤推荐算法能够挖掘用户偏好和隐含特征，但算法仅利用用户—项目评分矩阵，没有考虑实体之间的语义相似度。为了解决以上问题，提出一种融合用户偏好与语义相似度的推荐算法，首先采用知识图谱表示学习方法，将实体与关系的语义数据嵌入到低维的语义空间，计算实体之间的语义相似度；然后在矩阵分解模型的目标函数中融合实体的语义相似度；最后将算法在公开电影数据集上进行测试。实验结果表明，该算法的推荐性能优于对比算法，推荐评价指标准确率、召回率、F1值平均提升了9.25%、5.54%、8.7%，弥补了传统推荐算法存在的不足，提升了推荐效果。

0 引言

互联网的快速发展产生了海量数据信息，导致人们从中选择自己需要的信息变得非常困难。因此，推荐系统应运而生，能够解决信息过载问题，已被广泛应用于电影［1］、音乐［