DiffKG：用于推荐的知识图谱扩散模型
信息检索
2023-12-29 v1
摘要
知识图谱（KG）通过提供丰富的事实信息并捕捉物品间的语义关系，已成为丰富推荐系统的宝贵资源。利用 KG 可以显著提升推荐性能。然而，KG 中的所有关系并非都与目标推荐任务同等相关或有益。事实上，某些物品-实体连接可能会引入噪声或缺乏信息价值，从而可能误导我们对用户偏好的理解。为了弥合这一研究空白，我们提出了一种用于推荐的新型知识图谱扩散模型，称为 DiffKG。我们的框架将生成式扩散模型与数据增强范式相结合，实现了鲁棒的知识图谱表示学习。这种整合促进了知识感知物品语义与协同关系建模之间更好的对齐。此外，我们引入了一种协同知识图谱卷积机制，该机制结合了反映用户-物品交互模式的协同信号，以指导知识图谱扩散过程。我们在三个公开可用的数据集上进行了广泛实验，一致证明了我们的 DiffKG 相较于各种竞争性基线模型的优越性。我们在以下链接提供了我们提出的 DiffKG 模型的源代码仓库：https://github.com/HKUDS/DiffKG。
引用
@article{arxiv.2312.16890,
title = {DiffKG: Knowledge Graph Diffusion Model for Recommendation},
author = {Yangqin Jiang and Yuhao Yang and Lianghao Xia and Chao Huang},
journal= {arXiv preprint arXiv:2312.16890},
year = {2023}
}
备注
This paper is accepted by WSDM'2024 Oral