MVIN：面向推荐系统的多视角物品学习
信息检索
2020-05-27 v1 机器学习
摘要
研究者已开始利用异质知识图谱（KGs）作为推荐系统中的辅助信息，以缓解冷启动与稀疏性问题。然而，利用图神经网络（GNN）捕获 KG 中的信息并进一步应用于推荐系统（RS）仍存在缺陷，因为它无法从多个视角观察每个物品的性质。为解决这些问题，我们提出多视角物品网络（MVIN），一种基于 GNN 的推荐模型，它通过从用户与实体角度构成的独特混合视角描述物品，从而提供优越的推荐。MVIN 从用户视角与实体视角学习物品表示。在用户视角下，面向用户的模块对特征进行打分与聚合，依据融合了用户点击信息的 KG 实体构建个性化视角以给出推荐。在实体视角下，混合层对比逐层 GCN 信息，以进一步从 KG 内部实体-实体交互中获取全面特征。我们在三个真实数据集上评估 MVIN：MovieLens-1M（ML-1M）、LFM-1b 2015（LFM-1b）与 Amazon-Book（AZ-book）。结果表明 MVIN 在这三个数据集上显著优于最先进方法。此外，从用户视角案例中我们发现 MVIN 确实捕获了吸引用户的实体。图示进一步说明异质 KG 中的混合层在邻域信息聚合中起着至关重要的作用。
引用
@article{arxiv.2005.12516,
title = {MVIN: Learning Multiview Items for Recommendation},
author = {Chang-You Tai and Meng-Ru Wu and Yun-Wei Chu and Shao-Yu Chu and Lun-Wei Ku},
journal= {arXiv preprint arXiv:2005.12516},
year = {2020}
}