基于物品知识图的上下文图注意力网络推荐方法
信息检索
2020-04-27 v1
摘要
图神经网络（GNN）近来被应用于利用知识图（KG）进行推荐。现有的基于 GNN 的方法显式建模 KG 中实体与其局部图上下文（即其一阶邻居集合）之间的依赖关系，但可能不足以捕捉其非局部图上下文（即最相关的多阶邻居集合）。本文提出一种新颖的推荐框架，称为上下文图注意力网络（CGAT），其能够显式利用 KG 中实体的局部和非局部图上下文信息。具体而言，CGAT 通过用户特定的图注意力机制捕捉局部上下文信息，考虑了用户对实体的个性化偏好。此外，CGAT 采用偏置随机游走采样过程提取实体的非局部上下文，并利用循环神经网络（RNN）建模实体与其非局部上下文实体之间的依赖关系。为捕捉用户对物品的个性化偏好，还开发了物品特定的注意力机制来建模目标物品与从用户历史行为中提取的上下文物品之间的依赖关系。在真实数据集上的实验结果证明了 CGAT 相较于最先进的基于 KG 的推荐方法的有效性。
引用
@article{arxiv.2004.11529,
title = {Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph},
author = {Susen Yang and Yong Liu and Yonghui Xu and Chunyan Miao and Min Wu and Juyong Zhang},
journal= {arXiv preprint arXiv:2004.11529},
year = {2020}
}