面向鲁棒推荐的知识精炼去噪网络
信息检索
2023-05-01 v1
摘要
知识图谱（KG）包含丰富的辅助信息，已成为提升推荐性能并改善其可解释性的重要组成部分。然而，现有知识感知推荐方法直接在 KG 与用户-物品二部图上执行信息传播，忽视了任务无关知识传播的影响以及对交互噪声的脆弱性，这限制了其性能。为解决这些问题，我们提出一个鲁棒的知识感知推荐框架，称为知识精炼去噪网络（KRDN），以同时剪枝任务无关的知识关联与含噪隐式反馈。KRDN 由自适应知识精炼策略与对比去噪机制组成，分别能够自动蒸馏用于聚合的高质量 KG 三元组并剪枝含噪隐式反馈。此外，我们还设计了自适应损失函数与梯度估计器用于模型优化。在三个基准数据集上的实验结果证明了 KRDN 相对于 KGIN、MCCLK、KGCL 等最先进知识感知方法的有效性与鲁棒性，并且也优于 SGL、SimGCL 等鲁棒推荐模型。
引用
@article{arxiv.2304.14987,
title = {Knowledge-refined Denoising Network for Robust Recommendation},
author = {Xinjun Zhu and Yuntao Du and Yuren Mao and Lu Chen and Yujia Hu and Yunjun Gao},
journal= {arXiv preprint arXiv:2304.14987},
year = {2023}
}