收录：
摘要：
本发明涉及基于知识图谱的推荐算法性能优化的方法，解决推荐系统可解释性、缓解冷启动并提高算法准确性的方法。首先解决算法的可解释性问题：通过对原始数据集进行预处理，构建知识图谱，利用知识图谱元路径提取技术得到路径信息，输入到循环神经网络GRU中，并添加注意力机制和平均池化层，对不同路径进行重要性区分，得出模型预测向量。其次缓解算法的冷启动问题：对用户和物品的节点属性信息进行相乘，得出属性融合向量。将两部分向量结果以3：7的比例进行结合，利用交叉熵损失函数对模型进行训练，得出预测结果。经实验得出：与基于GRU模型的推荐算法相比，算法的准确性提高2.3％，与传统矩阵分解模型相比，准确性提高5.1％。
关键词：
通讯作者信息：
电子邮件地址：
