面向推荐系统的异构超图嵌入
信息检索
2024-07-08 v1 人工智能
机器学习
社会与信息网络
机器学习
摘要
最近的推荐系统研究聚焦于整合知识图谱 (KG) 以利用其辅助信息。KG 增强型推荐器的核心思想是为更准确的推荐 incorporate rich semantic information。然而，两个主要挑战仍然存在：i) 忽略 KG 基于用户-物品网络中复杂的高阶相互作用，可能导致次优推荐，以及 ii) 处理来自不同输入来源的异构模态，如用户-物品二分图和 KG，这可能引入噪声和不准确。为解决这些问题，我们提出一种新型知识增强型异构超图推荐系统 (KHGRec)。KHGRec 捕捉 interaction network 和 KG 的 group-wise 特征，建模 KG 中的复杂连接。通过协作知识异构超图 (CKHG)，它采用两个超图编码器来建模 group-wise 相互依赖并确保可解释性。此外，它融合来自输入图的信号，并采用跨视图自监督学习和注意力机制。对四个真实数据集上的大量实验表明，我们的模型在各种最新方法中均表现出色，平均提升 5.18%。额外测试表明该 KHGRec 框架在噪声韧性、缺失数据和冷启动问题方面表现出良好的韧性。我们的模型和评估数据集已公开于 \url{https://github.com/viethungvu1998/KHGRec}。
引用
@article{arxiv.2407.03665,
title = {Heterogeneous Hypergraph Embedding for Recommendation Systems},
author = {Darnbi Sakong and Viet Hung Vu and Thanh Trung Huynh and Phi Le Nguyen and Hongzhi Yin and Quoc Viet Hung Nguyen and Thanh Tam Nguyen},
journal= {arXiv preprint arXiv:2407.03665},
year = {2024}
}