SPARK：面向混合几何空间中自适应低秩知识图谱建模用于推荐
信息检索
2025-11-20 v1
摘要
知识图谱（KGs）增强推荐系统，但面临来自固有的噪声、稀疏性以及欧几里得几何对复杂关系结构的不足这些挑战，严重损害表示学习，尤其是针对长尾实体。现有方法也常缺乏针对物品流行度的自适应多源信号融合。本文引入 SPARK，一个新颖的多阶段框架系统性地解决上述问题。SPARK 首先采用 Tucker 低秩分解对知识图谱进行去噪并生成稳健的实体表示。随后，一个以 SVD 初始化的混合几何 GNN 同时在欧几里得空间和双曲空间中学习表示；后者被 strategic 地用于其在建模层次结构方面的优势，有效捕获稀疏、长尾物品的语义特征。核心贡献之一是一种面向物品流行度的自适应融合策略，动态加权来自协同过滤、精炼后的知识图谱嵌入以及多种几何空间的信号，以精准建模主流和长尾物品。最后，通过对比学习将这些多源表示对齐。广泛的实验表明，SPARK 在显著优于最新方法的方面，尤其在改善长尾物品推荐方面，提供了一个稳健、原则的方法。实现代码已在 https://github.com/Applied-Machine-Learning-Lab/SPARK 上发布。
引用
@article{arxiv.2509.11094,
title = {SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation},
author = {Binhao Wang and Yutian Xiao and Maolin Wang and Zhiqi Li and Tianshuo Wei and Ruocheng Guo and Xiangyu Zhao},
journal= {arXiv preprint arXiv:2509.11094},
year = {2025}
}
备注
Accepted by CIKM' 25