融合局部与全局信息的 Top-$N$ 推荐

知识图谱（KG）集成复杂信息且蕴含丰富语义，被广泛视为增强推荐系统的辅助信息。然而，现有多数基于 KG 的方法集中于编码图中的结构信息，未利用用户-物品交互数据中的协同信号，而后者对理解用户偏好十分重要。因此，这些模型学到的表示不足以刻画推荐环境中用户与物品的语义信息。两类数据的结合为解决此问题提供了良机。为弥补该研究空白，我们提出一种名为 \sysname 的新型二重表示学习框架，融合局部信息（用户-物品交互数据）与全局信息（外部知识图谱）以进行 top-$N$ 推荐，其由两个不同的子模型组成。其一通过知识感知协同注意力机制发掘局部信息内在关联来学习局部表示，另一通过关系感知注意力网络编码全局信息中的知识关联来学习全局表示。两子模型作为语义融合网络的一部分联合训练以计算用户偏好，并在特定语境下判别两子模型的贡献。我们在两个真实数据集上实验，评估表明 KADM 显著优于最先进方法。进一步的消融研究证实，二重架构在推荐任务上显著优于任一子模型。