面向冻结知识图谱嵌入的轻量级推理时个人化
人工智能
2025-12-30 v1
摘要
知识图谱（KGs）的基础模型在链路预测中实现了强大的群体水平性能，但无法捕捉 individual user preferences；这在一般关系推理与个人化排名之间存在关键的断层。我们提出了 GatedBias，这是一个轻量级推理时个人化框架，用于适应冻结 KG 嵌入以适应 individual user context，而无需重新训练或损害全局准确性。我们的方法引入了结构门控适应：特定轮廓的特征与图派生的二元门结合，以产生可解释的、按实体为单位的偏置，仅需约 300 个可训练参数。我们在两个基准数据集（Amazon-Book 和 Last-FM）上评估了 GatedBias，证明在保持群体表现的同时，在对齐指标方面实现了统计显著的改进。反事实扰动实验验证了因果响应性；当这些信号被增强时，受特定偏好信号影响的实体显示出 6--30 倍的排名提升。这一结果表明，个人化适应基础模型既可以在参数上进行高效，也可以在因果上进行验证，桥接一般知识表示与 individual user needs 之间的鸿沟。
引用
@article{arxiv.2512.22398,
title = {Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings},
author = {Ozan Oguztuzun and Cerag Oguztuzun},
journal= {arXiv preprint arXiv:2512.22398},
year = {2025}
}