通过向因子分解机注入知识图谱使隐因子可解释
信息检索
2019-09-12 v1
摘要
基于模型的推荐方法能以极高准确度推荐物品。遗憾的是，即便模型嵌入了基于内容的信息，一旦进入隐空间，我们便失去了对推荐物品实际语义的参照，这使得推荐过程的解读变得不平凡。本文中，我们展示了如何利用来自知识图谱的语义特征初始化因子分解机中的隐因子，以训练一个可解释的模型。借助我们的模型，语义特征被注入学习过程，以保留数据集中物品原有的信息性。所训练模型的准确度与有效性已使用两个知名推荐系统数据集进行了测试。依托原始知识图谱中编码的信息，我们还评估了最终模型在知识感知可解释性上的语义准确度与鲁棒性。
引用
@article{arxiv.1909.05038,
title = {How to make latent factors interpretable by feeding Factorization machines with knowledge graphs},
author = {Vito Walter Anelli and Tommaso Di Noia and Eugenio Di Sciascio and Azzurra Ragone and Joseph Trotta},
journal= {arXiv preprint arXiv:1909.05038},
year = {2019}
}
备注
Accepted as full paper at ISWC 2019, 17 pages