面向会话推荐系统的知识图谱增强采样
信息检索
2021-10-14 v1 人工智能
摘要
传统推荐系统主要利用离线用户数据训练离线模型,再为在线用户推荐物品,因而受限于基于稀疏且含噪的历史数据对用户偏好的不可靠估计。会话推荐系统(CRS)利用对话系统的交互形式解决传统推荐系统的内在问题。然而,由于缺乏上下文信息建模,现有 CRS 模型难以妥善处理利用与探索(E&E)问题,导致用户负担沉重。针对上述问题,本文提出一种专为 CRS 设计的上下文信息增强模型,称为知识图谱增强采样(KGenSam)。KGenSam 将用户交互数据的动态图与外部知识整合为一张异构知识图谱(KG),作为上下文信息环境。随后,设计两个采样器,通过采样高不确定性的模糊样本以获取用户偏好,以及采样可靠负样本以更新推荐器,从而实现用户偏好的高效获取与模型更新,为 CRS 处理 E&E 问题提供有力方案。在两个真实数据集上的实验结果证明了 KGenSam 相对于当前最优方法的显著优越性。
引用
@article{arxiv.2110.06637,
title = {Knowledge Graph-enhanced Sampling for Conversational Recommender System},
author = {Mengyuan Zhao and Xiaowen Huang and Lixi Zhu and Jitao Sang and Jian Yu},
journal= {arXiv preprint arXiv:2110.06637},
year = {2021}
}