面向跨域推荐的知识感知神经协同矩阵分解
信息检索
2022-06-28 v1 机器学习
摘要
跨域推荐（CDR）可帮助客户在不同域中发现更满意的条目。现有 CDR 模型主要使用共同用户或映射函数作为域间桥梁，但在充分利用跨域额外知识方面探索非常有限。本文提出将知识图谱（KG）引入 CDR，使不同域中的条目能够共享知识。为此，我们首先基于 Freebase KG 和 Amazon 评论数据的一个子集（两对域：电影-音乐、电影-图书）构建了一个新的数据集 AmazonKG4CDR。该新数据集有助于将知识关联起来，以桥接 CDR 的域内与跨域条目。随后我们提出了一个新框架，即知识感知神经协同矩阵分解（KG-NeuCMF），利用 KG 丰富条目表示。它首先通过图卷积自编码器学习条目嵌入，以从 KG 中的相邻和高阶邻居捕获域特定与域通用知识。然后，我们最大化从 KG 学到的条目嵌入与用户-条目矩阵之间的互信息，以建立跨域关系从而实现更好的 CDR。最后，我们在新构建的数据集上进行了大量实验，表明我们的模型显著优于表现最佳的基线。
引用
@article{arxiv.2206.13255,
title = {Knowledge-aware Neural Collective Matrix Factorization for Cross-domain Recommendation},
author = {Li Zhang and Yan Ge and Jun Ma and Jianmo Ni and Haiping Lu},
journal= {arXiv preprint arXiv:2206.13255},
year = {2022}
}