MeKB-Rec：面向跨域推荐的个性化知识图谱学习

在现代推荐系统中，为新用户（即冷启动问题）有效推荐是一个长期存在的挑战。跨域推荐（CDR）已被提出以应对该挑战，但当前跨系统表示用户兴趣的方式仍严重受限。我们引入个性化知识图谱（PKG）作为领域不变的兴趣表示，并提出了一种名为MeKB-Rec的新颖CDR范式。我们首先将用户和知识库中的实体链接，构建用户兴趣的PKG，称为MeKB。然后我们学习MeKB的语义表示用于跨域推荐。为高效利用CDR中有限的训练数据，MeKB-Rec采用预训练语言模型将世界知识注入对用户兴趣的理解。超越大多数现有系统，我们的方法构建了跨领域的语义映射，打破了领域内用户行为的要求，实现了低资源领域中新用户的零样本推荐。我们在成熟的公开CDR数据集上实验MeKB-Rec，并证明新公式比先前方法更强大，取得了新的最先进水平，将HR@10和NDCG@10指标比最佳先前方法显著提升了24%--91%，其中目标域中无行为的零样本用户的HR@10提升了105%。我们在微信推荐场景中部署了MeKB-Rec，并在核心在线指标上取得显著增益。MeKB-Rec现服务于真实世界产品中数亿用户。