MindReader：基于知识图谱实体与显式用户评分的推荐
信息检索
2021-06-09 v1 机器学习
摘要
知识图谱（KGs）已被集成到多种推荐模型中，以通过图中相关实体增强物品的信息价值。然而，现有数据集仅提供对物品的显式评分，而未提供关于用户对其他（不可推荐的）实体看法的信息。为克服这一局限，我们引入了一个名为MindReader的新数据集，提供对物品和KG实体的显式用户评分。在首个版本中，MindReader数据集提供了从1,174名真实用户处收集的超过10.2万条对电影领域KG中物品和实体的显式评分。该数据集通过我们同时开源的在线访谈应用收集。作为这一新数据集重要性的示范，我们展示了一项比较研究，考察在多种最先进推荐模型中引入对非物品KG实体的评分所带来的影响。特别地，我们表明大多数模型——无论是否专为图数据设计——在基于显式非物品评分训练时推荐质量均有提升。此外，对于某些模型，我们表明非物品评分可有效替代物品评分而不损失推荐质量。这一发现，加之观察到用户对常见KG实体比长尾物品更为熟悉，也支持了将KG实体用于冷启动与热启动推荐。
引用
@article{arxiv.2106.04209,
title = {MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings},
author = {Anders H. Brams and Anders L. Jakobsen and Theis E. Jendal and Matteo Lissandrini and Peter Dolog and Katja Hose},
journal= {arXiv preprint arXiv:2106.04209},
year = {2021}
}