面向推荐系统的知识图谱卷积网络
信息检索
2019-04-30 v1 机器学习
机器学习
摘要
为缓解基于协同过滤的推荐系统的稀疏性与冷启动问题，研究人员与工程师通常收集用户和物品的属性，并设计精细的算法来利用这些附加信息。一般而言，这些属性并非孤立，而是相互连接，从而构成一个知识图谱（KG）。本文提出知识图谱卷积网络（KGCN），这是一种端到端框架，通过挖掘 KG 上物品相关联的属性来有效捕获物品间的相关性。为自动发现 KG 的高阶结构信息与语义信息，我们对 KG 中每个实体的邻居进行采样作为其特征感受野，并在计算给定实体表示时将邻域信息与偏置相结合。该感受野可扩展至多跳之外，以建模高阶邻近信息并捕获用户的潜在远距离兴趣。此外，我们以 mini-batch 方式实现所提出的 KGCN，使我们的模型能够处理大规模数据集与 KG。我们将所提模型应用于关于电影、图书和音乐推荐的三个数据集，实验结果表明我们的方法优于强推荐基线。
引用
@article{arxiv.1904.12575,
title = {Knowledge Graph Convolutional Networks for Recommender Systems},
author = {Hongwei Wang and Miao Zhao and Xing Xie and Wenjie Li and Minyi Guo},
journal= {arXiv preprint arXiv:1904.12575},
year = {2019}
}
备注
Proceedings of the 2019 World Wide Web Conference