基于知识图谱的强化负采样推荐方法
信息检索
2020-03-13 v1 机器学习
摘要
妥善处理缺失数据是推荐系统中的根本挑战。现有多数工作从未观测数据中执行负采样，以为推荐模型训练提供负信号。然而，无论是静态还是自适应的现有负采样策略，都不足以产生高质量负样本——既对模型训练有信息量，又反映用户真实需求。本工作中，我们假设物品知识图谱（KG）提供了物品与 KG 实体间的丰富关系，可用于推断有信息量且符合事实的负样本。为此，我们开发了一种新的负采样模型，知识图谱策略网络（KGPolicy），其作为强化学习智能体来探索高质量负样本。具体而言，通过执行我们设计的探索操作，它从目标正交互出发，自适应接收知识感知负信号，最终得到一个潜在负物品以训练推荐模型。我们在配备 KGPolicy 的矩阵分解（MF）模型上进行了测试，相比 DNS 和 IRGAN 等最先进采样方法以及 KGAT 等 KG 增强推荐模型均取得显著提升。来自不同角度的进一步分析提供了知识感知采样的洞察。我们在 https://github.com/xiangwang1223/kgpolicy 发布了代码与数据集。
引用
@article{arxiv.2003.05753,
title = {Reinforced Negative Sampling over Knowledge Graph for Recommendation},
author = {Xiang Wang and Yaokun Xu and Xiangnan He and Yixin Cao and Meng Wang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2003.05753},
year = {2020}
}
备注
WWW 2020 oral presentation