神经协同推理

现有的协同过滤（CF）方法大多基于匹配的思想设计，即通过使用浅层或深层模型从数据中学习用户与物品嵌入，试图捕捉数据中的关联相关模式，从而利用设计或学习得到的相似度函数将用户嵌入与相关物品嵌入进行匹配。然而，作为一种认知而非感知的智能任务，推荐不仅需要数据中模式识别与匹配的能力，还需要数据中的认知推理能力。本文提出将协同过滤（CF）推进到协同推理（CR），即每个用户知晓推理空间的一部分，并在该空间中协作推理以相互估计偏好。在技术层面，我们提出神经协同推理（NCR）框架以桥接学习与推理。具体而言，我们融合了表示学习与逻辑推理的能力，其中表示从感知视角捕捉数据中的相似模式，而逻辑促进用于明智决策的认知推理。然而，一个重要挑战是在共享架构中桥接可微神经网络与符号推理以进行优化与推断。为解决该问题，我们提出模块化推理架构，将AND（$\wedge$）、OR（$\vee$）和NOT（$\neg$）等逻辑运算作为用于蕴涵推理（$\rightarrow$）的神经模块来学习。如此，逻辑表达式可等价地组织为神经网络，从而能在连续空间中进行逻辑推理与预测。在真实数据集上的实验验证了我们的框架相较于浅层、深层及推理模型的优势。