基于用户中心子图网络的知识增强推荐
信息检索
2025-01-13 v1 人工智能
机器学习
摘要
推荐系统如今在各种平台上广泛实施，根据用户的偏好向其推荐相关物品。依赖用户-物品交互矩阵的经典方法存在局限性，尤其是在新物品缺乏交互数据的情况下。基于知识图谱（KG）的推荐系统已成为一种有前景的解决方案。然而，大多数基于 KG 的方法采用节点嵌入，这不能为不同用户提供个性化推荐，也无法很好地泛化到新物品。为解决这些局限性，我们提出了知识增强的用户中心子图网络（KUCNet），这是一种利用图神经网络（GNN）进行有效推荐的子图学习方法。KUCNet 为每个用户-物品对构建一个 U-I 子图，该子图既捕获用户-物品交互的历史信息，也捕获 KG 中提供的辅助信息。设计了一个基于注意力的 GNN 来编码这些 U-I 子图以进行推荐。考虑到效率，进一步引入了剪枝的用户中心计算图，使得多个 U-I 子图可以同时计算，并且其规模可以通过个性化 PageRank 进行剪枝。我们提出的方法实现了准确、高效且可解释的推荐，尤其适用于新物品。实验结果证明了 KUCNet 优于最先进的基于 KG 和基于协同过滤（CF）的方法。
引用
@article{arxiv.2403.14377,
title = {Knowledge-Enhanced Recommendation with User-Centric Subgraph Network},
author = {Guangyi Liu and Quanming Yao and Yongqi Zhang and Lei Chen},
journal= {arXiv preprint arXiv:2403.14377},
year = {2025}
}