面向知识图谱推荐系统的稀疏特征分解方法
信息检索
2021-08-02 v1
摘要
近年来，深度学习和基于分解的协同过滤推荐模型无疑主导了推荐系统的领域。然而，尽管其性能出色，这些方法所需的训练时间与嵌入规模成正比，并且在计算推荐列表时若还考虑辅助信息，训练时间会进一步增加。事实上，在这些情况下，由于大量高质量特征的存在，所得模型更为复杂且难以训练。本文通过提出 KGFlex 来解决此问题：一种赋予更高表达能力的稀疏分解方法。为实现该结果，KGFlex 分析历史数据以理解用户决策所依赖的维度（例如电影导演、音乐流派、书籍作者国籍）。KGFlex 将每个物品特征表示为一个嵌入，并将用户-物品交互建模为与用户相关的物品属性的、由因子分解熵驱动的组合同。KGFlex 通过让用户仅更新其决策所基于的那些相关特征来简化训练过程。换言之，用户-物品预测由用户仅考虑相关特征的个人视角所调节。广泛的实验评估显示了该方法在推荐结果准确性、多样性及所引入偏差方面的有效性。KGFlex 的公开实现可在 https://split.to/kgflex 获取。
引用
@article{arxiv.2107.14290,
title = {Sparse Feature Factorization for Recommender Systems with Knowledge Graphs},
author = {Vito Walter Anelli and Tommaso Di Noia and Eugenio Di Sciascio and Antonio Ferrara and Alberto Carlo Maria Mancino},
journal= {arXiv preprint arXiv:2107.14290},
year = {2021}
}