利用知识图谱学习交互背后的意图以改进推荐
信息检索
2021-02-16 v1 人工智能
摘要
知识图谱（KG）在推荐系统中发挥着日益重要的作用。近期技术趋势是开发基于图神经网络（GNNs）的端到端模型。然而，现有基于 GNN 的模型在关系建模上较为粗粒度，未能（1）在意图的细粒度层面上识别用户-物品关系，以及（2）利用关系依赖来保持长程连通性的语义。在本研究中，我们借助辅助物品知识探索用户-物品交互背后的意图，并提出一种新模型——基于知识图谱的意图网络（KGIN）。在技术上，我们将每个意图建模为 KG 关系的注意力组合，鼓励不同意图的独立性以提升模型能力与可解释性。此外，我们为 GNN 设计了一种新的信息聚合方案，递归地整合长程连通性（即关系路径）的关系序列。该方案使我们能够提炼有关用户意图的有用信息，并将其编码至用户与物品的表示中。在三个基准数据集上的实验结果表明，KGIN 相比 KGAT、KGNN-LS 与 CKAN 等最先进方法取得了显著改进。进一步分析表明，KGIN 通过识别有影响力的意图与关系路径，为预测提供了可解释的解释。实现代码见 https://github.com/huangtinglin/Knowledge_Graph_based_Intent_Network。
引用
@article{arxiv.2102.07057,
title = {Learning Intents behind Interactions with Knowledge Graph for Recommendation},
author = {Xiang Wang and Tinglin Huang and Dingxian Wang and Yancheng Yuan and Zhenguang Liu and Xiangnan He and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2102.07057},
year = {2021}
}
备注
WWW 2021 oral presentation