利用双曲几何建模无标度图的知识感知推荐
信息检索
2022-01-04 v3
摘要
为缓解传统推荐系统的数据稀疏与冷启动问题，引入知识图谱（KGs）以补充辅助信息近来受到相当关注。通过将KG与用户-物品交互统一为三分图，近期工作探索图拓扑以学习具有丰富语义的用户与物品的低维表示。然而，这些真实世界的三分图通常是无标度的，其固有的层次图结构在现有工作中未被充分重视，从而导致次优的推荐性能。为解决此问题并提供更精准的推荐，我们提出一种基于双曲几何的知识感知推荐方法，即用于推荐的洛伦兹知识增强图卷积网络（LKGR）。LKGR在数据统一后更好地建模无标度三分图。具体而言，我们在双曲空间中采用不同的信息传播策略来显式编码来自历史交互与KGs的异质信息。我们提出的知识感知注意力机制使模型能自动度量信息贡献，在双曲空间中产生连贯的信息聚合。在三个真实世界基准上的大量实验表明，LKGR在Top-K推荐上的Recall@20优于最先进方法3.6-15.3%。
引用
@article{arxiv.2108.06468,
title = {Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation},
author = {Yankai Chen and Menglin Yang and Yingxue Zhang and Mengchen Zhao and Ziqiao Meng and Jianye Hao and Irwin King},
journal= {arXiv preprint arXiv:2108.06468},
year = {2022}
}