基于超关系知识图谱的自监督动态超图推荐
信息检索
2023-08-16 v1
摘要
知识图谱(KGs)常作为辅助信息以增强协同信号并提升推荐质量。在知识感知推荐(KGR)中,图神经网络(GNNs)已成为对 KGs 中事实与语义信息建模的有前景方案。然而,实体的长尾分布导致监督信号稀疏,削弱了利用 KG 增强时物品表示的质量。此外,KGs 的二元关系表示简化了超关系事实,使复杂真实世界信息难以建模。再者,过平滑现象导致表示不可区分与信息丢失。为应对这些挑战,我们提出 SDK(基于超关系知识图谱的自监督动态超图推荐)框架。该框架建立跨视图超图自监督学习机制以进行 KG 增强。具体而言,我们对 KGs 中的超关系事实建模,以在完整语义条件下捕捉实体间相互依赖关系。借助精炼表示,动态构建超图以在深层向量空间中保留特征,从而缓解过平滑问题。此外,我们从超图的全局视角与协同过滤(CF)的局部视角挖掘外部监督信号,以引导模型预测过程。在不同数据集上的大量实验证明了 SDK 框架优于最先进模型。结果展示了其缓解过平滑与监督信号稀疏影响的能力。
引用
@article{arxiv.2308.07752,
title = {Self-Supervised Dynamic Hypergraph Recommendation based on Hyper-Relational Knowledge Graph},
author = {Yi Liu and Hongrui Xuan and Bohan Li and Meng Wang and Tong Chen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2308.07752},
year = {2023}
}