笔记整理:李爽,天津大学硕士
链接:https://dl.acm.org/doi/pdf/10.1145/3459637.3482092
动机
在信息爆炸的时代,推荐系统被广泛研究和应用,以发现用户的偏好信息。RS在冷启动时性能较差,如果将知识图谱(Knowledge graph, KG)作为辅助信息,可以缓解冷启动问题。然而,现有的研究大多忽略了KGs中的节点度是偏移的,并且在KGs中的大量交互是推荐不相关的。为了解决这些问题,本文提出了基于关系GNN的推荐知识图谱可微抽样(DSKReG),该方法从KGs中学习连通项的相关分布,并根据该分布选取适合推荐的项目。作者设计了一种可微抽样策略,使相关项目的选择与模型训练过程共同优化。实验结果表明,该模型的性能优于目前最先进的基于KG的推荐系统。
亮点
DSKReG的亮点主要包括:
1.根据关联关系和项目类型计算相关分数进行抽样,可以引导模型选择推荐相关的项目;2.设计一种可微抽样策略,使得模型在优化的同时细化抽样过程。
概念及模型
模型的整体框架如下图所示。
•问题定义
知识感知推荐的目标是预测用户u是否对给定历史交互和KG的项目v有兴趣。在形式上&#x