面向知识图谱上可解释推荐的忠实路径语言建模
信息检索
2024-05-01 v3 人工智能
机器学习
摘要
在推荐系统中将路径推理与语言建模相结合，在提升可解释性方面已展现出潜力，但往往难以保证所提供解释的真实性。传统模型修改自身架构以交替生成实体和关系——例如，在模型中为每一项使用独立的头——这无法确保路径反映真实知识图谱（KG）连接的真实性。这种错位可能因生成 corrupted 路径而导致用户不信任。为此，我们提出 PEARLM（基于路径的可解释精确推荐语言建模），其创新之处在于知识图谱约束解码（KGCD）机制。该机制通过在解码层面强制遵循有效的 KG 连接，与底层模型架构无关，从而确保 corrupted 路径零发生。通过从 KG 路径直接学习词元嵌入，PEARLM 不仅保证生成合理且可验证的解释，还大幅提升了推荐准确性。我们通过严格的实证评估验证了方法的有效性，采用一种新提出的、量化解释路径完整性的指标。结果表明，相较现有方法有显著改进，有效消除了不准确路径的生成，推进了可解释推荐系统的 state-of-the-art。
引用
@article{arxiv.2310.16452,
title = {Faithful Path Language Modeling for Explainable Recommendation over Knowledge Graph},
author = {Giacomo Balloccu and Ludovico Boratto and Christian Cancedda and Gianni Fenu and Mirko Marras},
journal= {arXiv preprint arXiv:2310.16452},
year = {2024}
}