CADRL：面向知识图谱可解释推荐的类别感知双主体强化学习
信息检索
2024-08-07 v1
摘要
知识图谱 (KG) 已被广泛用于缓解数据稀疏和解决冷启动问题。虽然现有基于 KG 的推荐方法可以预测用户偏好，但它们在生成显式推荐路径方面不足，缺乏可解释性。作为超越这些方法的一步，最近的研究利用强化学习 (RL) 通过可解释的推荐路径寻找合适的物品。然而，这些解决方案仍受限于两个方面：(1) 捕获来自邻近信息的上下文依赖性能力不足；(2) 过度依赖短推荐路径 due to 效率 concerns。为克服这些挑战，我们提出一种类别感知双主体强化学习 (CADRL) 模型，用于 KG 上的可解释推荐。具体而言，我们的模型包含两个组件：(1) 一种类别感知门控图神经网络，联合捕获来自邻近实体和类别的上下文感知物品表示；(2) 一种双主体 RL 框架，其中两个主体高效遍历长路径以搜索合适的物品。最终的实验结果表明，CADRL 在大规模数据集上在 effectiveness 和 efficiency 方面均优于最先进的模型。
引用
@article{arxiv.2408.03166,
title = {CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs},
author = {Shangfei Zheng and Hongzhi Yin and Tong Chen and Xiangjie Kong and Jian Hou and Pengpeng Zhao},
journal= {arXiv preprint arXiv:2408.03166},
year = {2024}
}