面向知识感知推荐的分层与对比表示学习
信息检索
2023-04-18 v1 人工智能
摘要
将知识图谱引入推荐是缓解数据稀疏的有效途径。多数现有知识感知方法通常通过枚举图邻居进行递归嵌入传播。然而,随着跳数增加,节点邻居数量呈指数增长,迫使节点在此递归传播下感知海量邻居以提炼高阶语义关联。这可能将更多有害噪声而非有用信息引入推荐,导致所学节点表示彼此难以区分,即众所周知的过平滑问题。为缓解该问题,我们提出一种用于知识感知推荐的分层与对比表示学习框架 HiCON。具体而言,为避免邻居指数级扩张,我们提出分层消息聚合机制,分别与低阶邻居及元路径约束的高阶邻居交互。此外,我们还执行跨阶对比学习以增强表示的判别性。在三个数据集上的大量实验显示了 HiCON 相较当前最优方法的显著优越性。
引用
@article{arxiv.2304.07506,
title = {Hierarchical and Contrastive Representation Learning for Knowledge-aware Recommendation},
author = {Bingchao Wu and Yangyuxuan Kang and Daoguang Zan and Bei Guan and Yongji Wang},
journal= {arXiv preprint arXiv:2304.07506},
year = {2023}
}
备注
Accepted by ICME 2023