基于知识图谱的推荐中的因果推断
信息检索
2022-12-21 v1
摘要
知识图谱（KG）作为一种辅助信息，往往被用于补充基于协同过滤（CF）的推荐模型。通过将物品与 KG 中的实体进行映射，先前的研究大多从 KG 中提取知识信息并注入到用户与物品的表示中。尽管它们取得了显著性能，却未能对用户在 KG 中属性的偏好进行建模，因为它们忽视了（1）KG 的结构信息可能阻碍用户偏好学习，以及（2）用户交互过的属性会导致相似度分数上的偏差问题。借助因果工具，我们构建了基于 KG 的推荐中变量之间的因果效应关系，并识别出导致上述挑战的原因。相应地，我们提出了一个称为基于知识图谱的因果推荐（KGCR）的新框架，其实现了去混杂的用户偏好学习，并采用反事实推断来消除相似度打分中的偏差。最终，我们在三个数据集上评估了所提出的模型，包括 Amazon-book、LastFM 和 Yelp2018 数据集。通过在这些数据集上进行大量实验，我们证明了 KGCR 优于多个最先进的基线，如 KGNN-LS、KGAT 和 KGIN。
引用
@article{arxiv.2212.10046,
title = {Causal Inference for Knowledge Graph based Recommendation},
author = {Yinwei Wei and Xiang Wang and Liqiang Nie and Shaoyu Li and Dingxian Wang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2212.10046},
year = {2022}
}