论文浅尝 | KR-GCN: 知识感知推理的可解释推荐系统

1dcbfa76684dd5a830071687b8995533.png

论文作者:马婷,中国科学院信息工程研究所直博生

动机

抽取并利用知识图谱(KG)中的多跳关系路径可以提高推荐系统的性能,并提供可解释性。然而,现有的工作仍面临着两个主要的挑战:用户偏好的错误传播和模型的弱解释性。提取并利用用户物品对之间的所有路径会引入不相关的路径,从而导致用户偏好的错误传播。尽管定义元路径在一定程度上可以缓解错误传播问题并提供一定的解释性,但模型的性能将严重依赖于预定义的元路径;最近一些基于GCN的模型在推荐任务上取得了较好的性能,但未能提供可解释性。为了解决上述问题,本文提出了KR-GCN,能够在提高推荐系统性能的同时,提供非预定义的DAG图形式的解释能力。

亮点

KR-GCN的亮点主要包括:

1.为了缓解错误传播问题,文章利用知识图谱表示方法计算三元组的打分,并采用核采样自适应地选择用户物品对之间的路径,以有效去除冗余信息。2.为了提升推荐的性能并保证解释的多样性,文章将用户物品交互数据和知识图谱结合构成一个异构图,利用图卷积网络学习异构图的表示,然后采用路径级的注意力机制来区分不同路径的贡献并预测最终的交互概率,提升最终解释的相关性。3.在三个数据集上进行实验,与基线模型相比,本文所提出的模型在性能上取得了一定的提升,同时,人工评估验证了KR-GCN 可信赖的解释能力。

53d9e9c002763ae2a3db59d4e763ab34.png

模型

KR-GCN包括四个模块:图编码模块、路径抽取与选择模块、路径编码模块和偏好预测模块。图编码模块旨在学习异构图中的节点表示,路径抽取与选择模块旨在从异构图中抽取出用户和物品之间的路径并从中选择出高质量的推理路径,路径编码模块用于学习推理路径的表示,偏好预测模块则根据推理路径来预测用户的偏好。

模型整体框架如下:

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值