KG4RecEval：知识图谱对推荐系统真的重要吗？
信息检索
2025-01-24 v2 人工智能
机器学习
摘要
推荐系统（RSs）旨在为用户提供个性化推荐。最近，知识图谱（KGs）被广泛引入 RSs 以提高推荐准确性。然而，在本研究中，我们证明即使 KG 被降级为仅含用户-物品交互图（或被移除），RSs 的性能也未必会变差。我们提出了一个评估框架 KG4RecEval，使用我们定义的指标 KGER（推荐中的 KG 利用效率）来系统地评估 KG 对基于 KG 的 RS 推荐准确性的贡献程度。我们考虑了 KG 中的知识被完全移除、随机扭曲和减少的场景，以及针对冷启动用户的推荐场景。我们在四个常用数据集和多个 SOTA 的基于 KG 的 RSs 上进行的大量实验表明：移除、随机扭曲或减少知识并不一定会降低推荐准确性，即使对于冷启动用户也是如此。这些发现启发我们重新思考如何更好地利用现有 KG 中的知识，借此我们讨论并深入探讨了数据集和基于 KG 的 RSs 的哪些特征可能有助于提高 KG 利用效率。本文的代码和补充材料可在：https://github.com/HotBento/KG4RecEval 获取。
引用
@article{arxiv.2404.03164,
title = {KG4RecEval: Does Knowledge Graph Really Matter for Recommender Systems?},
author = {Haonan Zhang and Dongxia Wang and Zhu Sun and Yanhui Li and Youcheng Sun and Huizhi Liang and Wenhai Wang},
journal= {arXiv preprint arXiv:2404.03164},
year = {2025}
}