摘要：现有的基于知识图谱的推荐方法中，大多采用单一用户或项目表示，在合并来自知识图谱的实体时，用户或项目表示所携带的信息容易丢失，拟合用户兴趣不足，进而导致模型的次优表示。为此，该文提出了融合用户-项目的邻居实体表示推荐方法，联合用户和项目的特征表示挖掘用户更感兴趣的内容，使用TransR模型在知识图谱中进行实体传播，获取用户的嵌入表示；使用GCN聚合候选项目在知识图谱的邻域实体，获取项目的嵌入表示。为验证该文方法的有效性，在MovieLens-20M、Book-Crossing、Last-FM公共数据集上进行了实验，并与Wide&Deep、RippleNet、KGAT等十种方法进行对比，实验结果表明本方法的平均AUC和ACC值提升显著。
关键词：知识图谱；推荐算法；用户兴趣；特征表示
