CAFE：用于可解释推荐的由粗到细神经符号推理
信息检索
2020-10-30 v1
摘要
近期研究探索将知识图谱（KG）引入电商推荐系统，不仅为获得更优推荐性能，更关键的是生成为何做出特定决策的解释。这可通过显式 KG 推理实现：模型从用户节点出发，依次确定下一步，走向用户潜在感兴趣的物品节点。然而，由于 KG 上巨大的搜索空间、未知目的地与稀疏信号，这颇具挑战，因此需要信息丰富且有效的引导以达到满意的推荐质量。为此，我们提出由粗到细神经符号推理方法（CAFE）。它先生成用户画像作为用户行为的粗略草图，随后引导路径寻找过程推导出作为细粒度预测的推荐推理路径。用户画像能从历史中捕捉显著用户行为，并提供关于哪些路径模式更可能导向用户潜在感兴趣物品的有价值信号。为更好利用用户画像，我们还开发了名为画像引导路径推理（PPR）的改进路径寻找算法，其利用一套神经符号推理模块，在大规模 KG 上有效且高效地寻找批量路径。我们在四个真实基准上广泛实验，观察到相比最先进（SOTA）方法的显著推荐性能提升。
引用
@article{arxiv.2010.15620,
title = {CAFE: Coarse-to-Fine Neural Symbolic Reasoning for Explainable Recommendation},
author = {Yikun Xian and Zuohui Fu and Handong Zhao and Yingqiang Ge and Xu Chen and Qiaoying Huang and Shijie Geng and Zhou Qin and Gerard de Melo and S. Muthukrishnan and Yongfeng Zhang},
journal= {arXiv preprint arXiv:2010.15620},
year = {2020}
}
备注
Accepted in CIKM 2020