基于知识图谱伪标注缓解推荐中的冷启动问题

解决冷启动问题对于向新用户和新物品提供有意义的推荐结果不可或缺。在稀疏观测数据下，未观测的用户-物品对也是提炼潜在用户信息需求的重要来源。现有多数工作利用未观测样本提取负信号。然而，这种优化策略通过频繁将新物品作为负例处理，会导致偏向已流行物品的偏差结果。在本研究中，我们通过恰当利用未观测样本来解决新用户/新物品的冷启动问题。我们提出了一种基于图神经网络、通过伪标注扩充标注样本的知识图谱(KG)感知推荐器。我们的方法积极地将未观测样本用作正例，使新物品受到关注。为避免对所有可能的用户-物品对进行穷举式标注，我们利用 KG 为每个用户选择可能为正例的物品。我们还采用了改进的负采样策略，从而抑制流行度偏差的恶化。通过实验，我们证明了我们的方法在多种场景下均优于最先进的 KG 感知推荐器；特别地，我们的方法成功提升了冷启动用户/物品的推荐性能。