面向冷启动推荐的带个性化特征引用机制的知识感知神经网络
信息检索
2022-09-29 v1
摘要
将知识图谱（KGs）作为辅助信息引入推荐系统近来引起了相当关注。尽管在通用推荐场景中取得了成功，现有方法在用户仅关联极有限交互信息的冷启动问题上可能难以满足性能要求。由于传统方法依赖于探索交互拓扑，它们在冷启动场景中可能无法捕获充足信息。为缓解该问题，我们提出一种新颖的带个性化特征引用机制的知识感知神经网络，即 KPER。与大多数从 KGs（如产品属性）简单丰富目标语义的先前方法不同，KPER 利用 KGs 作为“语义桥”来为冷启动用户或物品提取特征引用。具体而言，给定冷启动目标，KPER 首先探测语义相关但不必结构邻近的用户或物品作为自适应的特征引用种子。随后引入门控信息聚合模块来学习冷启动用户与物品的组合潜在特征。我们在四个真实数据集上的大量实验表明，KPER 在冷启动场景中持续优于所有对比方法，同时在通用场景中保持优势而不损害整体性能，例如在 Top-10 推荐中跨所有数据集取得 0.81%–16.08% 与 1.01%–14.49% 的性能提升。
引用
@article{arxiv.2209.13973,
title = {Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation},
author = {Xinni Zhang and Yankai Chen and Cuiyun Gao and Qing Liao and Shenglin Zhao and Irwin King},
journal= {arXiv preprint arXiv:2209.13973},
year = {2022}
}
备注
under submission