【Knowledge Graph Context-Enhanced Diversified Recommendation(MSDM2024)】

Knowledge Graph Context-Enhanced Diversified Recommendation

摘要

推荐系统（RecSys）领域已被广泛研究，以通过利用用户的历史交互来提高准确性。 尽管如此，这种对准确性的持续追求常常导致多样性的减少，最终导致众所周知的“回音室”现象。 多样化的RecSys作为一种对策应运而生，将多样性与准确性并列，引起了学术界和行业从业者的高度关注。 这项研究探索了知识图 (KG) 复杂背景下的多样化 RecSys。 这些知识图谱充当有关实体和项目的互连信息的存储库，通过结合有洞察力的上下文信息，提供了一个扩大推荐多样性的有利途径。 我们的贡献包括引入**创新指标“**实体覆盖率”和“关系覆盖率”，它可以有效地量化知识图谱领域内的多样性。 此外，我们还引入了多样化嵌入学习（DEL）模块，该模块经过精心设计，旨在制定具有天生多样性意识的用户表示。 与此同时，我们引入了一种名为条件对齐和均匀性（CAU）的新技术。 它巧妙地对 KG 项嵌入进行编码，同时保持上下文完整性。 总的来说，我们的贡献标志着在 KG-informed RecSys 范式中增强推荐多样性全景方面迈出了一大步。

1 INTRODUCTION

多样化推荐系统（Diversified RecSys）范式的出现是为了通过在推荐过程中积极优先考虑多样性来抵消上述限制[39, 45]。 这些系统促使用户开始更广泛的选择探索。 因此，用户能够遇到新奇的项目，并有可能发现原本可能会引起他们注意的感兴趣的项目。 多样化的 RecSys 已经引起了学术界和工业界越来越多的关注 [2,5,39,45]。 考虑到多样性和准确性之间固有的难题[46]，这些系统旨在优化多样性，同时将准确性的妥协保持在最低限度，从而产生改进的权衡。 当前的方法通过项目分类属性的角度来衡量多样性，例如类别覆盖范围[2,39,45]。 这种方法主要在粗粒度的分类级别上运行，因此在全面评估多样性方面表现出局限性。 它无法充分区分同一类别内的推荐项目。
通过结合 KG 信息来有效增强推荐多样性提出了一些值得仔细考虑的关键挑战。

(1)在知识图谱推荐过程中积极优先考虑多样性：知识图谱结构的内在本质造成了一个独特的困境，即知识图谱实体不直接封装用户属性。 因此，这种固有的脱节导致无法准确表示从 KG 信息导出的用户嵌入。 因此，使用 KG 数据熟练地描述和多样化用户嵌入构成了重大挑战。
(2)在准确性和多样性之间取得平衡：更高的准确性往往是以减少多样性为代价的。 对于所有多元化的 RecSys 来说，固有的挑战在于在不影响推荐准确性的情况下实现更高的多样性。
(3)项目知识图谱上下文相似性的表征不充分：现有方法[28-30]在项目知识图谱上下文相似性的鲁棒编码方面表现出局限性。 这种缺陷削弱了从 KG 的角度全面辨别项目相似性的能力。 在努力赋予推荐多样性时，对 KG 环境中的项目相似性进行适当评估具有特别重要的意义。

我们方法的基石涉及制定两个综合指标来衡量知识图（KG）内的推荐多样性：（1）实体覆盖率（EC）和（2）关系覆盖率（RC）。

本文贡献：

1.本文首先介绍了通过使用实体覆盖率和关系覆盖率度量来衡量知识图谱中推荐多样性的新颖方法。
2.我们提出了一个简单而有效的多样化嵌入学习模块，为用户生成多样性感知的表示。 此外，我们设计了一种新技术，即条件对齐和均匀性，以有效地对 KG 中的项目嵌入进行编码。 交互相关性 关系多元化 实体多元化.。

2 METHODOLOGY

2.1 PROBLEM FORMULATION

文章模型输入用户-物品交互图，知识图谱，为每个用户推荐k个物品作为输出。

2.2 Item entity-aware representation via Knowledge Graph propagation

2.3 Diversified Embedding Learning

2.4 Conditional Alignment and Uniformity（条件对齐和一致性）

2.5 Model Prediction