UGRec：为推荐建模有向与无向关系

推荐系统仅利用用户-物品交互进行用户偏好预测（例如基于协同过滤的系统），在用户或物品交互不足时往往面临严重的性能下降。近年来，各类侧信息被探索以缓解此问题。其中，知识图谱（KG）因能将用户/物品及其关联属性编码于图结构中以保留关系信息而吸引了广泛研究兴趣。相比之下，物品-物品共现信息（即 co-view）所包含的丰富物品-物品相似性信息较少受到关注。它从不同于用户/物品-属性图的角度提供信息，对协同过滤推荐模型同样有价值。在本工作中，我们致力于研究融合这两类侧信息（即 KG 与物品-物品共现数据）用于推荐的潜力。为实现该目标，我们提出了一种统一的基于图的推荐模型（UGRec），其同时整合 KG 中的传统有向关系与无向的物品-物品共现关系。具体而言，对于有向关系，我们将头实体与尾实体转换到相应关系空间以建模其关系；对于无向共现关系，我们将头尾实体投影到实体空间中的唯一超平面以最小化其距离。此外，设计了一种头-尾关系感知注意力机制用于细粒度关系建模。我们在多个公开数据集上进行了大量实验以评估所提模型。结果表明我们的模型优于若干先前最先进的方法，并证明了 UGRec 模型的有效性。