KQGC：利用图卷积平滑效应的知识图谱嵌入推荐方法
信息检索
2022-05-25 v1 机器学习
摘要
随着图表示学习（GRL）的发展，在推荐系统中利用图已日益流行。其中，知识图谱嵌入（KGE）和图神经网络（GNNs）是代表性的GRL方法，在若干推荐任务上取得了最先进的性能。此外，KGE与GNNs的结合（KG-GNNs）已被探索并在许多学术文献中被证明有效。GNNs的主要特征之一是其能在所得稠密表示中保留邻居间的结构性质，这通常被称为平滑。在存在同嗜性图的场景下，这种平滑尤为可取，例如我们在推荐系统中遇到的图。本文中，我们提出一种用于推荐系统的新模型，名为基于知识查询的图卷积（KQGC）。与现有KG-GNNs不同，KQGC聚焦于平滑，并利用简单的线性图卷积来平滑KGE。预训练的KGE被输入KQGC，并通过聚合邻居知识查询进行平滑，从而使实体嵌入对齐到适当的向量点以有效平滑KGE。我们将提出的KQGC应用于一项旨在为特定产品寻找潜在用户的推荐任务。在真实电商数据集上的大量实验证明了KQGC的有效性。
引用
@article{arxiv.2205.12102,
title = {KQGC: Knowledge Graph Embedding with Smoothing Effects of Graph Convolutions for Recommendation},
author = {Daisuke Kikuta and Toyotaro Suzumura and Md Mostafizur Rahman and Yu Hirate and Satyen Abrol and Manoj Kondapaka and Takuma Ebisu and Pablo Loyola},
journal= {arXiv preprint arXiv:2205.12102},
year = {2022}
}
备注
9pages, 6 figures