用于多行为推荐的知识增强层次图Transformer网络
信息检索
2021-10-11 v1 人工智能
摘要
准确的用户和物品嵌入学习对现代推荐系统至关重要。然而，大多数现有推荐技术迄今侧重于对单一类型用户-物品交互上的用户偏好建模。许多实际推荐场景涉及多类型用户交互行为（例如，页面浏览、加入收藏和购买），这带来了当前推荐方案无法处理的独特挑战。具体而言：i）不同类型用户行为间复杂的相互依赖关系；ii）将知识感知的物品关系整合进多行为推荐框架；iii）多类型用户-物品交互的动态特性。为应对这些挑战，本工作提出知识增强层次图Transformer网络（Knowledge-Enhanced Hierarchical Graph Transformer Network, KHGT），以探究推荐系统中用户与物品间的多类型交互模式。具体地，KHGT构建于图结构神经架构之上，以i）捕捉特定类型的行为特征；ii）显式区分哪些类型的用户-物品交互对辅助目标行为的预测任务更为重要。此外，我们进一步将图注意力层与时间编码策略相整合，使学习到的嵌入能反映专用的多重用户-物品与物品-物品关系，以及底层的交互动态。在三个真实世界数据集上进行的广泛实验表明，KHGT在各种评估设置下持续优于许多最先进的推荐方法。我们的实现代码可在 https://github.com/akaxlh/KHGT 获取。
引用
@article{arxiv.2110.04000,
title = {Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation},
author = {Lianghao Xia and Chao Huang and Yong Xu and Peng Dai and Xiyue Zhang and Hongsheng Yang and Jian Pei and Liefeng Bo},
journal= {arXiv preprint arXiv:2110.04000},
year = {2021}
}