面向知识图增强推荐的多任务特征学习
信息检索
2019-01-28 v1 机器学习
摘要
协同过滤在真实推荐场景中常受稀疏性与冷启动问题困扰，因此研究人员与工程师通常使用辅助信息来解决这些问题并提升推荐系统性能。本文将知识图作为辅助信息的来源。我们提出 MKR，一种面向知识图增强推荐的多任务特征学习方法。MKR 是一个深度端到端框架，利用知识图嵌入任务来辅助推荐任务。这两个任务通过 cross&compress 单元相关联，其自动共享潜在特征并学习推荐系统中物品与知识图中实体之间的高阶交互。我们证明 cross&compress 单元具有充分的多项式逼近能力，并表明 MKR 是若干代表性推荐系统与多任务学习方法的广义框架。通过在真实数据集上的大量实验，我们证明 MKR 在电影、图书、音乐和新闻推荐上相较最先进基线取得显著增益。MKR 还被证明即便用户-物品交互稀疏时也能保持良好性能。
引用
@article{arxiv.1901.08907,
title = {Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation},
author = {Hongwei Wang and Fuzheng Zhang and Miao Zhao and Wenjie Li and Xing Xie and Minyi Guo},
journal= {arXiv preprint arXiv:1901.08907},
year = {2019}
}
备注
In Proceedings of The 2019 Web Conference (WWW 2019)