基于知識圖譜和協同過濾算法的多頭注意力網絡
電子技術應用
康永玲1，2，3
1.中國煤炭科工集團 太原研究院有限公司；2.山西天地煤機裝備有限公司；3.煤礦采掘機械裝備國家工程實驗室
摘要： 當前基于知識圖譜的推薦方法大多聚焦于知識關聯的編碼機制，往往忽視了用戶-物品交互中潛在的關鍵協同信號，導致現有模型學習到的嵌入向量無法有效地表達用戶和物品在向量空間中的潛在語義。為解決這一問題，提出一種融合知識圖譜和協同過濾的多頭注意力網絡——協同知識感知多頭注意力網絡（CKAN-MH）。該網絡在傳統的CKAN模型的基礎上引入多頭注意力機制，以自適應地關注不同特征的子集，通過動態調整注意力權重，對尾實體進行差異化加權處理。引入多頭注意力機制后，模型能夠更全面地捕捉數據中隱含的復雜關系與模式，進而顯著提升推薦系統的性能表現。此外，還在三個真實數據集上應用CKAN-MH模型進行實驗評估。實驗結果表明，CKAN-MH模型在性能上優于當前多個主流先進基線模型，驗證了該模型的有效性和優越性。
中圖分類號：TN0 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256532
中文引用格式： 康永玲. 基于知識圖譜和協同過濾算法的多頭注意力網絡[J]. 電子技術應用，2025，51(8)：60-64.
英文引用格式： Kang Yongling. Multi-head attention network based on knowledge graph and collaborative filtering algorithm[J]. Application of Electronic Technique，2025，51(8)：60-64.
中文引用格式： 康永玲. 基于知識圖譜和協同過濾算法的多頭注意力網絡[J]. 電子技術應用，2025，51(8)：60-64.
英文引用格式： Kang Yongling. Multi-head attention network based on knowledge graph and collaborative filtering algorithm[J]. Application of Electronic Technique，2025，51(8)：60-64.
Multi-head attention network based on knowledge graph and collaborative filtering algorithm
Kang Yongling1，2，3
1.CCTEG Taiyuan Research Institute Co.， Ltd.；2.Shanxi Tiandi Coal Mining Machinery Co.， Ltd.；3.China National Engineering Laboratory for Coal Mining Machinery
Abstract： Most current recommendation methods based on knowledge graphs focus on the encoding mechanism of knowledge associations, often neglecting the potential key collaborative signals in user-item interactions. This leads to the learned embedding vectors of existing models being unable to effectively represent the latent semantics of users and items in the vector space. To address this issue, this paper proposes a multi-head attention network that integrates knowledge graphs and collaborative filtering - the collaborative knowledge-aware multi-head attention network (CKAN-MH). This network introduces a multi-head attention mechanism on the basis of the traditional CKAN model to adaptively focus on different subsets of features and perform differential weighting of tail entities by dynamically adjusting attention weights. After introducing the multi-head attention mechanism, the model can more comprehensively capture the complex relationships and patterns hidden in the data, thereby significantly improving the performance of the recommendation system. Additionally, we conducted experimental evaluations on three real datasets using the CKAN-MH model. The experimental results show that the CKAN-MH model outperforms several current mainstream advanced baseline models in terms of performance, verifying the effectiveness and superiority of this model.
Key words : recommendation system；knowledge graph；collaborative filtering；multi-head attention network
引言
隨著信息化時代的到來以及海量數據的涌現，用戶越來越難以從龐大的數據信息中快速獲取所需物品，為解決這一問題，推薦系統開始成為研究熱點。現有的基于知識圖譜的推薦模型主要是GraphRec模型[1]、PippleNet模型[2]和NGCF模型[3]等，其存在一個較大的問題是在面對同一頭實體時，不同的關系會產生不同的尾實體。故存在某兩個實體在一種關系上相似度很高，在其他關系上相似度較低的情況，如果只依據某一種關系進行推薦時，有可能影響推薦效果。
為更好解決上述問題，本文提出一種基于知識圖譜和協同過濾的多頭注意力網絡：協同知識感知多頭注意力網絡（CKAN-MH），通過增強知識圖譜的表征學習性能來提高模型推薦能力。
本文詳細內容請下載：
http://www.cowatch.cn/resource/share/2000006630
作者信息：
康永玲1，2，3
（1.中國煤炭科工集團 太原研究院有限公司，山西 太原 030006；
2.山西天地煤機裝備有限公司，山西 太原 030006；
3.煤礦采掘機械裝備國家工程實驗室，山西 太原 030006）
此內容為AET網站原創，未經授權禁止轉載。