基于半监督学习的可解释推荐方法

本发明提供一种基于半监督学习的可解释推荐方法，通过标签传播的传播规律和利用协同过滤技术处理标注数据和未标注数据的训练数据，结合知识图谱中实体和关系属性来提高推荐性能；学习原知识图谱中隐藏的元路径和多跳连接，动态生成有用的元路径，并通过图卷积网络调整节点嵌入表示；推荐解释层聚合不同的实体向量，预测每个项目被推荐的可能性，生成Top‑N项目推荐；提取用户和项目之间的关键路径，以提供可信的推荐路径解释。本发明解决现有技术中需要获取大量高质量标注数据导致的成本高的问题。此外提取用户和项目之间的关键路径，以提供可信的推荐路径解释。本发明实现推荐系统的性能提升和推荐结果的可解释性。