面向推荐的知识增强多意图 Transformer 网络

将知识图谱融入推荐系统已引起行业日益关注的注意，因为知识图谱在为底层模型提供丰富的补充信息和可解释性方面具有巨大的潜力。然而，仅仅将知识图谱集成到推荐系统通常会带来负面反馈，原因是忽略了以下两个因素：i) 用户的多意图，这涉及知识图谱中 diverse 的节点。例如，在电子商务场景中，用户可能对特定的风格、品牌或颜色表现出偏好。ii) 知识噪声，这是知识增强推荐（KGR）中普遍存在的问题，甚至在行业场景中更为严重。不相关的知识属性可能导致模型性能不如不采用知识的方法。为解决这些挑战，我们提出了一种新方法，称为知识增强多意图 Transformer 网络用于推荐（KGTN），包括两个主要模块：基于 Graph Transformer 的全局意图建模，以及基于意图的知识对抗去噪。具体来说，基于 Graph Transformer 的全局意图关注于通过图 Transformer 融合用户-项目-关系-实体交互的全局信号，同时学习意图感知的用户/项目表示。基于意图的知识对抗去噪旨在学习精确且稳健的表示。它利用意图感知的表示对相关知识进行采样，并提出一种局部-全局对抗机制以增强噪声-无关表示的学习。在基准数据集上进行的大量实验表明，我们提出的方法在与最先进方法相比时表现出优势。另外，我们在阿里巴川大规模工业推荐平台上的在线 A/B 测试结果也表明了 KGTN 在实际场景中的有效性。