基于知识的多自适应空间融合推荐方法
信息检索
2023-08-30 v1 人工智能
摘要
由于知识图谱（KGs）包含丰富的语义信息，近来涌现出大量 KG 增强的推荐方法。现有多数方法完全基于欧氏空间设计而未考虑曲率。然而，近期研究表明大量图结构数据呈现出高度非欧性质。受此启发，本文提出一种基于知识的多自适应空间融合推荐方法，即 MCKG。与仅采用特定流形的现有方法不同，我们引入了兼容双曲、欧氏与球面空间的统一空间。进一步，我们以注意力方式融合多个统一空间，以获得高质量嵌入从而更好地进行知识传播。此外，我们提出一种几何感知优化策略，使拉近与推远过程同时受益于双曲与球面空间。具体而言，在双曲空间中，我们在靠近原点的区域设置较小间隔，有助于区分高度相似的正样本与负样本；同时在远离原点的区域设置较大间隔，以保证模型具有充足的容错性。类似方式亦应用于球面空间。在三个真实数据集上的大量实验表明，MCKG 相较最先进推荐方法均有显著提升。进一步的消融实验验证了多空间融合与几何感知优化策略的重要性，印证了 MCKG 的合理性与有效性。
引用
@article{arxiv.2308.15244,
title = {Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation},
author = {Meng Yuan and Fuzhen Zhuang and Zhao Zhang and Deqing Wang and Jin Dong},
journal= {arXiv preprint arXiv:2308.15244},
year = {2023}
}