用于知识增强双曲协同过滤的洛伦兹等变模型
信息检索
2023-03-21 v2 机器学习
社会与信息网络
摘要
引入知识图谱（KG）中的先验辅助信息来辅助用户-物品图，可提升推荐系统的综合性能。许多近期研究表明，双曲空间的嵌入特性与上述两类图中表现出的无标度与层次特征高度契合。然而，现有双曲方法忽略了等变性的考量，因而无法在给定变换下泛化对称特征，这严重限制了模型能力。此外，它们无法在保留异质性与挖掘跨两图的高阶实体信息至用户之间取得平衡。为填补这些空白，我们提出一种严格洛伦兹群等变的知识增强协同过滤模型（LECF）。创新地，我们通过具有洛伦兹等变变换的 LECF 层联合更新属性嵌入（包含来自 KG 的高阶实体信号）与双曲嵌入（双曲嵌入间距离揭示推荐倾向）。此外，我们提出双曲稀疏注意力机制以采样最具信息量的邻居节点。洛伦兹等变性在整个模型中严格保持，且实验证明施加等变性是必要的。在三个真实基准上的大量实验表明，LECF 显著优于最先进的方法。
引用
@article{arxiv.2302.04545,
title = {Lorentz Equivariant Model for Knowledge-Enhanced Hyperbolic Collaborative Filtering},
author = {Bosong Huang and Weihao Yu and Ruzhong Xie and Jing Xiao and Jin Huang},
journal= {arXiv preprint arXiv:2302.04545},
year = {2023}
}
备注
11 pages, 6 figures