基于CM-RippleNet的社區(qū)發(fā)現(xiàn)知識圖譜推薦算法

基金項目：遼寧省教育廳科研經(jīng)費（面上）（批準(zhǔn)號：LJKZ0460）資助的課題。

作者簡介：程龍嫚（1997-），碩士研究生，從事數(shù)據(jù)挖掘和知識圖譜的研究，875985603@qq.com。

引用本文：程龍嫚.基于CM-RippleNet的社區(qū)發(fā)現(xiàn)知識圖譜推薦算法[J].化工自動化及儀表，2023，50（6）：000-000.

DOI：10.20030/j.cnki.1000-3932.202306000

摘? 要? 針對RippleNet未充分考慮實體聚集的關(guān)聯(lián)性，導(dǎo)致推薦實體不夠準(zhǔn)確的問題，提出一種基于社區(qū)發(fā)現(xiàn)的模型CM-RippleNet，該模型通過構(gòu)建知識圖譜復(fù)雜網(wǎng)絡(luò)，使同一個社區(qū)內(nèi)的成員具有較高的相似度；利用Louvain算法對網(wǎng)絡(luò)中的節(jié)點進(jìn)行社區(qū)劃分，得到節(jié)點-社區(qū)映射矩陣，將其加入到實體節(jié)點的嵌入表示中，融合用戶表示最終計算出推薦結(jié)果。在兩個公共知識圖譜數(shù)據(jù)集上的實驗結(jié)果表明：與KGCN、RippleNet、PER、MKR模型相比，CM-RippleNet模型的ACC、AUC、準(zhǔn)確度與召回率指標(biāo)的值有極大的提升，驗證了模型的有效性。

關(guān)鍵詞 CM-RippleNet模型? 知識圖譜? 推薦算法? 社區(qū)發(fā)現(xiàn)

中圖分類號? TP3-0? ? ? 文獻(xiàn)標(biāo)志碼? A? ? ? 文章編號? 1000-3932（2023）06-0000-00

隨著互聯(lián)網(wǎng)的發(fā)展與數(shù)據(jù)的爆炸式增長，信息過載問題更為突出[1]。推薦算法作為有效過濾信息的方式逐漸成為研究熱點。傳統(tǒng)推薦方式中，最典型的是基于協(xié)同過濾[2]，通過分析用戶的歷史評分矩陣得到用戶與項目間的潛在依賴關(guān)系，進(jìn)一步預(yù)測未來新用戶與項目的關(guān)聯(lián)程度。但這種傳統(tǒng)推薦方式存在數(shù)據(jù)稀疏與冷啟動的問題，無法學(xué)習(xí)到高階特征。因此，大量學(xué)者開始利用融合異質(zhì)信息的方法分析用戶偏好，如社交網(wǎng)絡(luò)、知識圖譜和各種結(jié)構(gòu)化數(shù)據(jù)[3]。知識圖譜通過整合多源異構(gòu)信息將豐富的實體關(guān)系用復(fù)雜網(wǎng)絡(luò)加以標(biāo)識，從而獲得用戶與項目間的細(xì)粒度關(guān)系，可分為基于嵌入的方法與基于路徑的方法[4]。文獻(xiàn)[5]基于混合圖的數(shù)據(jù)模型，用鏈接數(shù)據(jù)提取元路徑的特征，再將這些特征輸入到排序算法中；文獻(xiàn)[6]提出一種構(gòu)造三元組的方法，將用戶、項目、屬性與交互信息嵌入到一個統(tǒng)一的向量空間中，利用TransD建模學(xué)習(xí)用戶與項目的向量表示；文獻(xiàn)[7]提出結(jié)合嵌入與路徑挖掘的方法RippleNet，通過自動迭代地沿著知識圖中的鏈接擴展用戶的潛在興趣來刺激用戶偏好在一組知識實體上的傳播。因此，由用戶的歷史點擊項目激活的多個“波紋”被疊加，形成用戶的潛在興趣偏好分布，但 RippleNet算法模型忽略了用戶-項目交互行為中的協(xié)同知識，而這些交互行為中包含users或items之間的行為相似性，因此RippleNet不能充分挖掘用戶和項目在向量空間中的潛在語義表示?，F(xiàn)實世界中的許多系統(tǒng)都可以用網(wǎng)絡(luò)模型表示，社區(qū)結(jié)構(gòu)[8]是網(wǎng)絡(luò)的一個普遍特征，社區(qū)發(fā)現(xiàn)則是將特征相似的一群節(jié)點聚集成一個社區(qū)的過程[9]。文獻(xiàn)[10]提出一種基于葉社區(qū)剪枝策略的Louvain算法，極大地減少了傳統(tǒng)協(xié)同過濾迭代過程重復(fù)計算的問題。

針對RippleNet未充分考慮實體聚集的關(guān)聯(lián)性，導(dǎo)致推薦實體不夠準(zhǔn)確的情況，筆者創(chuàng)新性地提出基于RippleNet的社區(qū)發(fā)現(xiàn)知識圖譜推薦算法，在結(jié)合偏好傳播思想的基礎(chǔ)上，改進(jìn)現(xiàn)有模型忽略用戶或項目在相似網(wǎng)絡(luò)中關(guān)系傳遞性的缺陷，通過社區(qū)發(fā)現(xiàn)挖掘用戶-項目二部圖中實體節(jié)點的社區(qū)表示embedding，增強偏好傳播中用戶的特征表示，也彌補了RippleNet未考慮項目表示的弊端，以期實現(xiàn)對用戶更高效的推薦。

1? 相關(guān)工作

1.1? 知識圖譜構(gòu)建

知識圖譜（Knowledge Graph，KG）可以看作是一個大型的有向異構(gòu)圖，其中，節(jié)點對應(yīng)于實體（項目或項目屬性），邊對應(yīng)于這些實體間存在的語義關(guān)系[11]。其構(gòu)建過程即是從結(jié)構(gòu)性數(shù)據(jù)（圖像等）或者是半結(jié)構(gòu)數(shù)據(jù)（網(wǎng)頁等）中提取有效信息，構(gòu)建結(jié)構(gòu)化數(shù)據(jù)（三元組）的過程，它的通用表達(dá)形式為G=（E′，R，F(xiàn)），其中，E′、R和F分別表示實體（Entities）、關(guān)系（Relations）和事實（Facts）。一個事實被表示為一個三元組（h，r，t）∈F，例如三元組（The Dark Knight，Directed By，Noian）表達(dá)了電影《The Dark Knight》是由Noian導(dǎo)演的，這種由多種類似實體-關(guān)系-實體的三元組集合構(gòu)成了如圖1所示的知識圖譜。

1.2? 社區(qū)發(fā)現(xiàn)檢測算法

在復(fù)雜網(wǎng)絡(luò)科學(xué)中，網(wǎng)絡(luò)結(jié)構(gòu)是刻畫事物之間聯(lián)系與各自特征的重要部分，利用圖論可以將網(wǎng)絡(luò)問題轉(zhuǎn)化為圖分割問題，其中，社區(qū)發(fā)現(xiàn)則是一種可以識別出重要子結(jié)構(gòu)的檢測方法[12]，通過對用戶-項目評分?jǐn)?shù)據(jù)構(gòu)建用戶-項目二部圖，將用戶項目實體抽象為節(jié)點，關(guān)系作為邊來連接節(jié)點。假設(shè)網(wǎng)絡(luò)G=（V，E）是由個節(jié)點和條邊所組成，社區(qū)發(fā)現(xiàn)檢測算法可以將其劃分為S個不相交的社區(qū)（Community）。例如由圖2用戶-項目交互二部圖中所隱含的用戶關(guān)系可知，若Bale主演的電影《The Flowers of Wars》被同一群用戶觀看，那么這批用戶和電影大概率會被劃分到同一個社區(qū)，因此它們的社區(qū)embedding相同。

圖2中的用戶-項目二部圖BN（U，V，E）由兩種類型的節(jié)點U和V以及一組邊E?U×V組成，二分圖的特殊性在于其只考慮U與V之間的邊，屬于同一種類型的用戶或者項目節(jié)點自身之間不存在連接關(guān)系。

考慮到本研究中原始用戶-項目交互行為數(shù)據(jù)規(guī)模較為龐大，所以采用Louvain算法進(jìn)行社區(qū)劃分，Louvain是一種基于模塊度（modularity）計算的社區(qū)發(fā)現(xiàn)算法[13]，以最大化modularity為任務(wù)目標(biāo)，對節(jié)點進(jìn)行聚類的一種迭代過程。其中，模塊度Q的計算式為：

（1）

其中，表示網(wǎng)絡(luò)中的總邊數(shù)；表示節(jié)點、間的邊權(quán)重；與分別表示連接到節(jié)點與節(jié)點的度；表示節(jié)點與節(jié)點是否在同一個社區(qū)，取值為1表示在同一個社區(qū)，取值為1表示不在。

算法描述：輸入； 輸出為劃分后的社區(qū)以及社區(qū)內(nèi)所包含的相似節(jié)點。

算法的主要步驟如下：

a. 初始化網(wǎng)絡(luò)，將網(wǎng)絡(luò)中的任意節(jié)點看作是一個獨立社區(qū)，社區(qū)數(shù)量與節(jié)點數(shù)相同。

b. 對于網(wǎng)絡(luò)中的每個節(jié)點，嘗試將其從原本社區(qū)移動至其所有鄰居節(jié)點所在社區(qū)，并計算每次移動前后的模塊度值的變化量，并記錄最大的鄰居節(jié)點，若大于0則將節(jié)點移動至鄰居節(jié)點所在的社區(qū)，否則保持節(jié)點進(jìn)行社區(qū)劃分之前的結(jié)果不變。

c. 重復(fù)步驟b，遍歷網(wǎng)絡(luò)中的所有節(jié)點，直至所有節(jié)點的社區(qū)屬性不再變化。

d. 對步驟c得到的社區(qū)圖進(jìn)行壓縮，將同一社區(qū)內(nèi)的所有節(jié)點壓縮成一個點，重構(gòu)社區(qū)圖形，同時原社區(qū)之間的邊權(quán)重轉(zhuǎn)換為新節(jié)點之間的邊權(quán)重，社區(qū)內(nèi)節(jié)點之間的權(quán)重轉(zhuǎn)換為新形成節(jié)點的環(huán)的權(quán)重。

e. 重復(fù)步驟d，直至整個網(wǎng)絡(luò)圖的模塊度不再發(fā)生變化，算法停止迭代。

通過對電影知識圖譜構(gòu)成的網(wǎng)絡(luò)圖進(jìn)行社區(qū)劃分，得到最終的節(jié)點-社區(qū)映射矩陣。圖3是經(jīng)過社區(qū)發(fā)現(xiàn)檢測算法劃分后的網(wǎng)絡(luò)結(jié)構(gòu)，表1是節(jié)點-社區(qū)映射矩陣的部分?jǐn)?shù)據(jù)。

2? CM-RippleNet推薦模型

2.1? 問題描述

RippleNet是一種將知識圖譜特征嵌入與推薦算法的目標(biāo)函數(shù)相結(jié)合，利用端到端（end-to-end）的方法進(jìn)行聯(lián)合訓(xùn)練的一種模型。通過給定的知識圖譜，用戶-任務(wù)交互矩陣，預(yù)測用戶點擊其未觀測到的物品的概率。定義用戶物品交互矩陣：

（2）

2.2? 模型優(yōu)化

2.2.1? RippleNet算法

RippleNet模擬水波（Ripple）的傳播方式，類比用戶感興趣的項目為種子（seed），知識圖譜為水波傳播媒介，將種子向外以波紋形式擴散到其他項目上，多個波紋疊加形成用戶的潛在偏好傳播（Preference Propagation）。如圖1所示，用戶同時看過電影《The Dark Knight》與《Interstellar》，而這兩部電影同時是由導(dǎo)演Noian執(zhí)導(dǎo)，根據(jù)RippleNet偏好規(guī)則推理，用戶可能會由于偏愛導(dǎo)演Noian對電影《The Prestige》感興趣，這個用戶偏好集合定義為Ripple Set。

根據(jù)給定的用戶-交互矩陣與知識圖譜，定義用戶的第k跳數(shù)據(jù)集相關(guān)實體集合為：

（3）

其中，表示直接用戶交互的項目集合；表示以用戶交互過的項目為頭實體的三元組的尾實體。

種子集在圖譜路徑上向邊沿擴散，最終形成多個與用戶相關(guān)的實體集，定義這個集合為用戶的k跳Ripple Set：

（4）

2.2.2? CM-RippleNet模型設(shè)計

RippleNet隨機采樣節(jié)點周圍固定大小的鄰居，通過遞歸迭代生成與用戶偏好相關(guān)的Ripple Set集合，此種將以用戶歷史點擊作為源點，由內(nèi)向外遍歷k跳相關(guān)實體鄰居的方式，在一定程度上忽略實體節(jié)點間的關(guān)聯(lián)屬性，進(jìn)而影響了最終推薦效果的準(zhǔn)確性。通過對本研究中網(wǎng)絡(luò)關(guān)系的研究分析，CM-RippleNet利用社區(qū)檢測技術(shù)對復(fù)雜網(wǎng)絡(luò)中的節(jié)點進(jìn)行社區(qū)劃分，并得到節(jié)點的社區(qū)embedding表示，同社區(qū)的user與item相關(guān)性會更高，提高了推薦效果的準(zhǔn)確性。CM-RippleNet模型框架結(jié)構(gòu)如圖4所示。

輸入部分為知識圖譜與用戶-交互矩陣，將用戶交互記錄的項目與知識圖譜的實體對應(yīng)，并生成對應(yīng)三元組形式存放的知識圖譜，另外對評分級別表做負(fù)采樣處理，方便后續(xù)模型訓(xùn)練。構(gòu)建用戶-項目交互二部圖網(wǎng)絡(luò)，利用Louvion社區(qū)發(fā)現(xiàn)算法對網(wǎng)絡(luò)圖中的實體節(jié)點進(jìn)行社區(qū)劃分，得到以字典形式保存的劃分對象communities。根據(jù)用戶歷史點擊的項目作為種子集在知識圖譜上進(jìn)行偏好傳播，每進(jìn)行一次Hop傳播，將頭實體與尾實體的嵌入表示與其社區(qū)表示community_emb結(jié)合，形成具有社區(qū)化特征的三元組。

給中的每一個與用戶歷史項目相關(guān)的實體三元組分配一個相關(guān)概率，可表示為：

（5）

概率pi反映了頭節(jié)點（seeds）與項目（item ）在關(guān)系下的相關(guān)性，其中與表示關(guān)系與含有權(quán)重的頭部的embedding表示。

根據(jù)式（5）計算的相關(guān)概率對尾節(jié)點（seeds的一階鄰居）的嵌入進(jìn)行加權(quán)求和，得到一階Ripple Set中的用戶偏好集合（一階用戶畫像）。再利用作為進(jìn)行迭代計算，得到用戶二階用戶偏好，重復(fù)迭代H次：

（6）

（7）

將各階用戶偏好加起來得出最終的用戶偏好，結(jié)合用戶偏好與項目的嵌入表示進(jìn)行概率預(yù)測：

（8）

（9）

3? 驗證與分析

3.1? 實驗數(shù)據(jù)

實驗采用美國Grouplens站點提供的MovieLens 1M與BookCrossing數(shù)據(jù)集（表2），由于MovieLens 1M與BookCrossing的評級數(shù)據(jù)是顯式數(shù)據(jù)，因此需要將其轉(zhuǎn)換為隱式反饋。筆者將評分低于4的電影數(shù)據(jù)評級標(biāo)記為1（正樣本），其余標(biāo)記為0（負(fù)樣本）。由于BookCrossing數(shù)據(jù)集的稀疏性并沒有對其設(shè)置閾值，知識圖譜則采用文獻(xiàn)[14]的基于Microsoft Satori知識庫構(gòu)建的特定的、置信度大于0.9的圖譜。

3.2? 參數(shù)設(shè)置

將數(shù)據(jù)集按6：2：2的比例分為訓(xùn)練集、評估集與測試集，采用Adam優(yōu)化器對損失函數(shù)進(jìn)行優(yōu)化，重復(fù)實驗5次，最終取平均值作為實驗結(jié)果。模型epoch設(shè)置為40，基準(zhǔn)模型的batch size、學(xué)習(xí)率與嵌入維度等共有參數(shù)與CM-RippleNet保持一致性，其他模型自身參數(shù)則設(shè)置為默認(rèn)值。用H表示用戶的潛在興趣向外擴展的層數(shù)Hop，表示嵌入過程的損失權(quán)重，表示鄰居采樣個數(shù)，具體的模型超參數(shù)設(shè)定值見表3。

3.3? 算法評價指標(biāo)

為驗證模型的有效性，將分別在CTR點擊率預(yù)測與Top-K列表推薦場景下進(jìn)行對比實驗。CTR預(yù)估表示對于未來的每一個類似事件，用戶可能會發(fā)生點擊行為概率的預(yù)測值，是一種常見的二分類問題。

選用ACC（Accuracy）與AUC（Area Under Curve）作為CTR預(yù)測評價指標(biāo)；準(zhǔn)確率（Precision）、召回率（Recall）作為Top-K列表推薦評價指標(biāo)。4個指標(biāo)的計算式為：

（10）

（11）

（12）

（13）

其中，TP表示正樣本中預(yù)測正確的個數(shù)，F(xiàn)P表示負(fù)樣本中預(yù)測錯誤的個數(shù)，TN表示負(fù)樣本中預(yù)測正確的個數(shù)，F(xiàn)N表示正樣本中預(yù)測錯誤的個數(shù)；表示概率得分從小到大排序時，第個樣本的排名；T與F分別是正樣本和負(fù)樣本的個數(shù)。

3.4? 對比模型

KGCN[14]。聚焦圖譜實體表示，根據(jù)連接關(guān)系和特定用戶得分對鄰居加權(quán)，通過鄰域聚合操作將高階鄰近信息與實體嵌入結(jié)合作為實體自身表示。

RippleNet[7]。通過自動迭代地沿著圖譜路徑擴展用戶的潛在興趣來刺激用戶偏好在一組知識實體上傳播，但是忽略實體自身表示。

PER[15]?；诼窂降耐扑]方式，通過不同元路徑擴散用戶偏好生成用戶項目潛在特征，引入用戶群主（與目標(biāo)用戶相似的用戶聚類），實現(xiàn)“Personalized Entity Recommendation”。

MKR[16]。一種端到端的框架，引入交叉壓縮單元模塊連接用戶推薦與KGE嵌入模塊，自動學(xué)習(xí)項目與實體的高階潛在特征交互。

3.5? 實驗結(jié)果與分析

在CTR點擊率預(yù)測場景中，將CM-RippleNet與KGCN、RippleNet、PER、MRK對比模型在AUC和ACC評價指標(biāo)上的對比結(jié)果列表4。

在Top-K列表推薦場景中測試推薦數(shù)對模型性能的影響，將設(shè)置為{2，5，10，20，50，100}，比較CM-RippleNet與KGCN、RippleNet、PER、MRK模型在準(zhǔn)確率（Precision）和召回率（Recall）評價指標(biāo)上的變化情況，在不同數(shù)據(jù)集上對比結(jié)果如圖5、6所示。

可以看出，改進(jìn)后的模型在各項指標(biāo)上取得了較好的結(jié)果，在電影數(shù)據(jù)集上的提升大于圖書數(shù)據(jù)集。在CTR點擊率預(yù)測場景中AUC和ACC的值分別高出RippleNet原模型1%。說明筆者提出的引入社區(qū)發(fā)現(xiàn)的方法提高了推薦效果。

PER在所有場景下的推薦效果遠(yuǎn)低于其他模型，這是由于PER依賴人工設(shè)計元路徑提取潛在特征來表示每對user-item，但在現(xiàn)實世界中很難定義最佳元路徑。CM-RippleNet通過歷史點擊作為seed，根據(jù)實體間關(guān)聯(lián)概率自動發(fā)現(xiàn)可能的解釋路徑，這種不需要人為設(shè)定路徑的方法大幅提高了推薦性能。

CM-RippleNet在圖書數(shù)據(jù)集上AUC和ACC的值比RippleNet高近1%，但在某些時候表現(xiàn)不如MKR。這是由于CM-RippleNet在電影場景這種用戶項目交互密集的情況下可以更加精準(zhǔn)地捕捉用戶興趣，而圖書場景下交互稀疏，不能提供足夠的歷史交互數(shù)據(jù)來更新用戶偏好集合。

KGCN相比于CM-RippleNet在電影數(shù)據(jù)集上AUC和ACC的值分別低2%、1%。這是由于KGCN忽略用戶表示，將實體鄰域信息與自身表示結(jié)合作為實體表示，不能有效使用用戶信息，而CM-RippleNet結(jié)合用戶表示與實體節(jié)點關(guān)聯(lián)表示提高了推薦的可解釋性。

4? 消融實驗

為了驗證模型的有效性，在MovieLens 1M數(shù)據(jù)集上進(jìn)行一系列消融實驗，模型超參數(shù)保持與RippleNet一樣，實驗結(jié)果對比情況見表5。

可以看出，兩個變體的ACC與AUC相較于原CM-RippleNet模型相比均有所下降，但是均比改進(jìn)前的RippleNet模型效果有所提升，說明引入社區(qū)發(fā)現(xiàn)檢測算法對模型是有效的。CM-RippleNet_b相比于CM-RippleNet_a的ACC與AUC值分別降低0.004與0.005，由于二部圖中user的數(shù)量遠(yuǎn)大于item的數(shù)量，因此CM-RippleNet_b模型社區(qū)劃分后的社區(qū)數(shù)量減少，劃分效果不夠明顯，說明只增加任何一類節(jié)點社區(qū)embedding表示不能夠有效提升模型效果。

5? 結(jié)束語

筆者研究了基于RippleNet偏好傳播算法的改進(jìn)方法，提出一種融合社區(qū)發(fā)現(xiàn)節(jié)點表示的知識圖譜增強推薦模型CM-RippleNet。該模型針對特定用戶-項目二部圖網(wǎng)絡(luò)，挖掘?qū)嶓w節(jié)點間內(nèi)部潛在關(guān)聯(lián)，利用社區(qū)檢測算法Louvain對其進(jìn)行社區(qū)劃分，生成特定節(jié)點社區(qū)表示，結(jié)合節(jié)點嵌入表示實現(xiàn)用戶表示的多維構(gòu)成，彌補了RippleNet未考慮實體節(jié)點關(guān)聯(lián)模式的缺陷，提高了推薦的準(zhǔn)確性。

在兩個數(shù)據(jù)集上分別驗證在CTR點擊率預(yù)測與Top-K列表推薦場景中，CM-RippleNet與4個基準(zhǔn)模型在各個指標(biāo)的對比，通過改變社區(qū)表示的形式驗證了模型有效性。但CM-RippleNet模型在數(shù)據(jù)稀疏的場景中表現(xiàn)尚有缺陷，下一步考慮增加實體的高階結(jié)構(gòu)信息與語義信息來提高推薦效果。

參? 考? 文? 獻(xiàn)

[1] ZHANG S，YAO L N，SUN A X，et al.Deep Learning Based Recommender System：A Survey and New Perspectives[J].ACM Computing Surveys，2019，52（1） ：1-5；38.

[2] SHI Y，LARSON M，HANJALIC A，et al.Collaborative filtering beyond the user-item matrix：A survey of the state of the art and future challenges[J].ACM Computing Surveys，2014，47（1）：1-45.

[3] 張一嘉.基于異質(zhì)信息的推薦算法若干問題研究[D].長春：吉林大學(xué)，2022.

[4] 田萱，陳杭雪.推薦任務(wù)中知識圖譜嵌入應(yīng)用研究綜述[J].計算機科學(xué)與探索，2022，16（8）：1681-1705.

[5] OSTUNI V C，DI NOIA T，DI SCIASCIO E，et al.Top-N recommendations from implicit feedback leveraging linked open data[C]//Proceedings of the 7th ACM conference on Recommender systems.2013：85-92. https：//www.xueshufan.com/publication/1978400840.

[6] HE M，WANG B，DU X K，et al.HI2Rec：Exploring knowledge in heterogeneous information for movie recommendation[J].IEEE Access，2019（7）：30276-30284.

[7] WANG H W，ZHANG F Z，WANG J L，et al.Ripplenet：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.

[8] BOCCALETTI S，LATORA V，MORENO Y，et al.Complex networks：Structure and dynamics[J].Physics Reports，2006，424（4-5）：175-308.

[9] 樊宇凱.基于社區(qū)網(wǎng)絡(luò)的新聞推薦系統(tǒng)研究[D].太原：中北大學(xué)，2019.

[10] 夏瑋，楊鶴標(biāo).改進(jìn)的Louvain算法及其在推薦領(lǐng)域的研究[J].信息技術(shù)，2017（11）：125-128.

[11] 劉偉江，郝一哲.融合知識圖譜的RippleNet推薦模型優(yōu)化研究[J].現(xiàn)代情報，2021，41（9）：64-73；83.

[12] BEDI P，SHARMA C.Community detection in social networks[J]. WIREs Data Mining and Knowledge Discovery，2016，6（3）：115-135.

[13] De Meo Pasquale，Emilio F，Giacomo F，et al.Generalized louvain method for community detection in large networks[C]//2011 11th international conference on intelligent systems design and applications.IEEE，2011：88-93.

[14] WANG H W，ZHANG F Z，ZHANG M D，et al.Knowledge graph convolutional networks for recommender systems[C]//The world wide web conference.2019：3307-3313.

[15] YU X，REN X，SUN Y Z，et al.Personalized entity recommendation：A heterogeneous information network approach[C]//Proceedings of the 7th ACM international conference on Web search and data mining.2014：283-292.

[16] WANG H W，ZHANG F Z，ZHAO M，et al.Multi-task feature learning for knowledge graph enhanced recommendation[C]//The World Wide Web Conference.2019：2000-2010.

（收稿日期：2023-02-20，修回日期：2023-04-04）