统一知识图学习与推荐：更好地理解用户偏好
信息检索
2019-02-19 v1
摘要
将知识图（KG）引入推荐系统有望提高推荐准确率和可解释性。然而，现有方法大多假设 KG 是完整的，并仅在实体原始数据或嵌入的浅层水平上迁移 KG 中的“知识”。这可能导致次优性能，因为实际 KG 很难完整，且缺失事实、关系和实体是常见现象。因此，我们认为在将 KG 引入推荐系统时考虑其不完备性至关重要。本文中，我们联合学习推荐模型与知识图补全模型。与以往基于 KG 的推荐方法不同，我们迁移 KG 中的关系信息，以理解用户喜欢某物品的原因。例如，若用户观看了由（关系）同一人（实体）导演的多部电影，我们可推断导演关系在用户决策中起关键作用，从而在更细粒度上帮助理解用户偏好。在技术上，我们提出了一种基于平移的新推荐模型，该模型特别考虑了将用户平移到物品时的多样化偏好，并通过结合若干迁移方案与 KG 补全模型联合训练。在两个基准数据集上的大量实验表明，我们的方法优于最先进的基于 KG 的推荐方法。进一步分析验证了联合训练对推荐与 KG 补全两项任务的积极作用，以及我们的模型在理解用户偏好方面的优势。我们的项目发布于 https://github.com/TaoMiner/joint-kg-recommender。
引用
@article{arxiv.1902.06236,
title = {Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences},
author = {Yixin Cao and Xiang Wang and Xiangnan He and Zikun hu and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1902.06236},
year = {2019}
}
备注
11 pages, 6 figures