条件扩散知识图谱补全模型

精准补全关系缺失

让推荐系统在用户和物品连接稀疏时，通过可控生成的关系中心知识图谱补全结构缺口，提升对冷启动用户和长尾物品的推荐表现。

Tian, Lei · Li, Nan · Zhang, Zhong · Liu, Haiyan · 宋新 · 陈锴 · 周斌 · Gao, Liqun

Neural Networks 2026

技术优势

补全缺失关系

关系引导的条件扩散模型通过前向过程受控注入噪声、反向过程关系引导去噪，策略性精化知识图谱，从而补全结构缺口。

冷启动更准

模型在冷启动用户和长尾物品上表现出稳健性能，说明补全后的图谱改善了稀疏连接下的推荐质量。

抗噪能力强

模型在交互噪声和知识图谱噪声或稀疏条件下依然表现稳健，降低了对干净数据的依赖。

应用场景

• 冷启动推荐：补全图谱结构，让新用户或新物品有更多连接路径用于推断偏好。
• 长尾物品推荐：增强长尾物品的关系表示，缓解交互稀疏导致的推荐偏差。
• 知识图谱增强推荐：生成辅助图谱注入原图谱，加强实体间语义连通性以提升推荐。
• 鲁棒推荐：通过扩散模型受控去噪，对交互噪声和知识图谱噪声具有稳健性。