基于知识图谱的多目标可解释性推荐

doi:10.3969/j.issn.1006-2475.2024.03.006

摘要/Abstract

摘要：
摘要：现有的推荐系统研究大多集中在如何提高推荐的精度上，而忽略了推荐的可解释性。为了最大程度地提高用户对推荐项的满意度，提出一种基于知识图谱的多目标可解释性推荐模型，同时优化推荐的准确性、新颖性、多样性和可解释性。首先通过知识图谱得到用户可解释的候选列表，并利用统一的方法以目标用户的交互项和推荐项之间的路径作为解释依据对推荐的可解释性进行量化，最后通过多目标优化算法对可解释的候选列表进行优化，得到最终的推荐列表。在Movielens和Epinions数据集上的实验结果表明，本文所提出的模型可以在不降低准确性、新颖性和多样性的情况下提高推荐的可解释能力。

关键词: 关键词：知识图谱, 推荐系统, 可解释性, 多目标优化

Abstract: Abstract： Most of the existing recommendation system research focuses on how to improve the accuracy of recommendation， but neglects the explainability of recommendation. In order to maximize the satisfaction with recommendation items of users， a multi-objective explainable recommendation model based on knowledge graph is proposed to optimize the accuracy， novelty， diversity and explainability of recommendations. Firstly， the explainable candidate list of users is obtained by knowledge graph， and the explainable candidate list is quantified by using a unified method based on the path between the interaction item and the recommendation item of target users. Finally， the explainable candidate list is optimized by multi-objective optimization algorithm， and the final recommendation list is obtained. The experimental results on the dataset of Movielens and Epinions show that the proposed model can improve the explainability of recommendations without compromising accuracy， novelty， and diversity.

Key words: Key words： knowledge graph, recommendation system, explainability, multi-objective optimization

中图分类号:

TP391

杨孟, 杨进, 陈步前. 基于知识图谱的多目标可解释性推荐[J]. 计算机与现代化, 2024, 0(03): 34-40.

YANG Meng, YANG Jin, CHEN Bu-qian. Multiple Objective Explainable Recommendation Based on Knowledge Graph[J]. Computer and Modernization, 2024, 0(03): 34-40.

参考文献

［1］ BILGE A， POLAT H. A scalable privacy preserving recommendation scheme via bisecting K-means clustering［J］. Information Processing Management， 2013，49（4）：912-927.
［2］阮小芸，廖健斌，李祥，等. 基于人才知识图谱推理的强化学习可解释推荐研究［J］. 数据分析与知识发现， 2021，5（6）：36-50.
［3］ AI Q Y， ZHANG Y F， BI K P， et al. Explainable product search with a dynamic relation embedding model［J］. ACM Transactions on Information Systems， 2019，38（1）：1-4.
［4］ WANG H W， ZHANG F Z， HOU M， et al. SHINE： Signed heterogeneous information network embedding for sentiment link prediction［C］// Proceedings of the 11th ACM International Conference on Web Search and Data Mining. 2018：592-600.
［5］石乐昊，寇月，申德荣，等. 面向HIN基于多视角嵌入融合的推荐方法［J］. 软件学报， 2022，33（10）：3619-3634.
［6］ SHI C， ZHANG Z Q， JI Y G， et al. SemRec： A personalized sematic recommendation method based on weighted heterogeneous information networks［J］. World Wide Web， 2019，22（1）：153-184.
［7］姜征和，陈学刚. 基于注意力机制和异质信息网络元路径的推荐系统［J］. 计算机应用研究， 2022，39（12）：3587-3591.
［8］ WANG H W， ZHANG F Z， WANG J L， et al. Ripple Net： Propagating user preferences on the knowledge graph for recommender systems［C］// Proceedings of the 27th ACM International Conference on Information and Knowledge Management. 2018：417-426.
［9］何炜俊，艾丹祥. 以多臂赌博机建模的多目标互动式推荐系统［J］. 小型微型计算机系统， 2021，42（6）：1992-1998.
［10］胡晓敏，龙祖涛，李敏. 基于用户分层的多目标推荐算法［J］. 广东工业大学学报， 2023，40（1）：10-18.
［11］ JAIN A， SINGH PK， DHAR J. Multi-objective item evaluation for diverse as well as novel item recommendations［J］. Expert Systems with Application， 2020，139：112857.1-112
857.18.
［12］李松，王冠群，郝晓红，等. 面向推荐系统的多目标决策优化算法［J］. 西安交通大学学报， 2022，56（8）：104-112.
［13］ JAIN H， DEB K. An evolutionary many-objective o-ptimization algorithm using reference-point based nondominated sorting approach， Part II： Handling constraints and extending to an adaptive approach［J］. IEEE Transactions on Evolutionary Computation， 2014，18（4）：602-622.
［14］ WANG Z， ZHANG J W， FENG J L， et al. Knowledge graph embedding by translating on hyperplanes［C］// Proceedings of the 28th AAAI Conference on Artificial Intelligence. 2014：1112-1119.
［15］ ZUO Y， GONG M G， ZENG J L， et al. Personalized recommendation based on evolutionary multi-objective optimization［J］. IEEE Computational Intelligence Magazine， 2015，10（1）：52-62.
［16］ WANG S F， GONG M G， LI H L， et al. Multi-objective optimization for long tail recommendation［J］. Knowledge-Based Systems， 2016，104：145-155.
［17］ CUI L Z， PENG O， FU X H， et al. A novel multi-objective evolutionary algorithm for recommendation systems［J］. Journal of Parallel and Distributed Computing， 2017，103：53-63.
［18］周志华. 机器学习［M］. 北京：清华大学出版社， 2016：197-211.
［19］李永森，杨善林，马溪骏，等. 空间聚类算法中的K值优化问题研究［J］. 系统仿真学报， 2006，18（3）：573-576.
［20］ ZHANG Y F， CHEN X. Explainable recommendation： A survey and new perspectives［J］. arXiv preprint arXiv：1804.11192， 2020.
［21］ YANG S X， LI M Q， LIU X H， et al. A grid-based evolutionary algorithm for many objective optimization［J］. IEEE Transactions on Evolutionary Computation，2013，17（5）：721-736.
［22］ CHENG R， JIN Y， OLHOFER M， et al. A reference vector guided evolutionary algorithm for many objective optimization［J］. IEEE Transactions on Evolutionary Computation， 2016，20（5）：773-791.
［23］ SARWAR B， KARYPIS G， KONSTAN J， et al. Item-based collaborative filtering recommendation algorithms［C］// Proceedings of the 10th International Conference on World Wide Web. 2001：285-295.
［24］ SON L H. HU-FCF： A hybrid user-based fuzzy collaborative filtering method in recommender systems［J］. Expert Systems with Applications， 2014（41）：6861-6870.
［25］ MICHAEL J， PAZZANI， DANIEL B. Content-based recommendation systems［C］// Proceedings of Lecture Notes in Computer Science the Adaptive Web. 2007：325-341.
［26］ REZA B， HAMIDREZA K. An implicit trust-network construction approach and a recommendation methodology for recommender systems［J］. Software Impacts， 2022（12）. DOI： https：//doi.org/10.1016/j.simpa.2022.100242.
［27］ GENG B R， LI L L， JIAO L C， et al. NNIA-RS： A multi-objective optimization based recommender system［J］. Physica
A， 2015（424）：383-397.
［28］ CUI Z H， ZHAO P， HU Z M， et al. An improved matrix factorization based model for many-objective optimization recommendation［J］. Information Sciences， 2021（579）：1-14.

[1]	翟梅. 个性化新闻推荐系统研究综述及探讨[J]. 计算机与现代化, 2024, 0(04): 12-20.
[2]	王晓霞, 孟佳娜, 江烽, 丁梓晴. 基于多视图的知识感知推荐系统#br#[J]. 计算机与现代化, 2024, 0(02): 100-107.
[3]	张宗海, 於跃成, 冯申. 融合三重注意力和评论评分的深度推荐算法[J]. 计算机与现代化, 2022, 0(05): 1-9.
[4]	刘亦欣, 王家伟, 李自力. 融合注意力与深度因子分解机的时间上下文推荐模型[J]. 计算机与现代化, 2021, 0(11): 22-27.
[5]	陈卓, 袁玺明, 杜军威. 在线问答社区——海川化工论坛的回答者推荐算法[J]. 计算机与现代化, 2021, 0(10): 29-34.
[6]	王钰蓥, 王勇. 基于知识图谱和Bi-LSTM的推荐算法[J]. 计算机与现代化, 2021, 0(09): 90-98.
[7]	王杉文, 欧鸥, 马万民, 陈建林. 基于用户信息向量聚类和改进SAMME的推荐算法[J]. 计算机与现代化, 2021, 0(07): 23-28.
[8]	欧阳宏基１，杨铎2. 基于微服务架构的学位论文写作辅助平台[J]. 计算机与现代化, 2019, 0(10): 34-.
[9]	谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, 2019, 0(09): 65-.
[10]	黎丹雨. 基于多特征融合的电影推荐系统[J]. 计算机与现代化, 2019, 0(08): 121-.
[11]	黎丹雨,陈怡华. 一种多层多维的关联规则挖掘算法在推荐系统中的应用[J]. 计算机与现代化, 2019, 0(06): 44-.
[12]	饶钰，陈光，邱天. 一种改进的均方差协同过滤算法[J]. 计算机与现代化, 2019, 0(04): 6-.
[13]	李月，陈丽，王槐彬. 基于改进联合相似度计算的图书推荐算法[J]. 计算机与现代化, 2019, 0(03): 85-.
[14]	肖青秀1,2，汤鲲3. 基于双层注意力机制的深度学习电影推荐系统[J]. 计算机与现代化, 2018, 0(11): 109-.
[15]	刘春霞，陆建波，武玲梅. 一种电影推荐模型：解决冷启动问题[J]. 计算机与现代化, 2018, 0(11): 83-.