知识感知的双侧属性增强推荐
信息检索
2024-03-26 v1
摘要
基于图神经网络(GNNs)与对比学习(CL)的知识感知推荐方法(KGR)已取得显著性能。然而,这些方法在建模细粒度用户偏好方面存在不足,未能进一步利用偏好-属性关联进行预测,导致性能欠佳。为解决这一问题,我们提出一种名为知识感知双侧属性增强推荐(KDAR)的方法。具体而言,我们基于知识图谱中的属性信息构建用户偏好表示与属性融合表示,分别用于增强基于协同过滤(CF)的用户与物品表示。为区分这两类基于属性的表示中各属性的贡献,我们提出一种多级协同对齐对比机制,将属性的重要性与 CF 信号进行对齐。在四个基准数据集上的实验结果表明,KDAR 优于多个最先进的基线方法。进一步的分析验证了该方法的有效性。KDAR 的代码已在 https://github.com/TJTP/KDAR 发布。
引用
@article{arxiv.2403.16037,
title = {Knowledge-aware Dual-side Attribute-enhanced Recommendation},
author = {Taotian Pang and Xingyu Lou and Fei Zhao and Zhen Wu and Kuiyao Dong and Qiuying Peng and Yue Qi and Xinyu Dai},
journal= {arXiv preprint arXiv:2403.16037},
year = {2024}
}