Explainable Reasoning over Knowledge Graphs for Recommendation
1. 摘要
近年来,将知识图结合到推荐系统中已引起越来越多的关注。通过探索知识图中的互连链接,可以将用户和项之间的连接发现为路径,从而为用户项交互提供丰富且互补的信息。这种连接不仅揭示了实体和关系的语义,而且有助于理解用户的兴趣。然而,现有的努力尚未充分探索用于推断用户偏好的这种连接性,尤其是在对路径内的顺序依赖性和整体语义进行建模方面。
我们开发了一个名为知识感知路径重复网络(KPRN)的新模型,以利用知识图表进行推荐。我们的新模型知识感知路径递归网络(KPRN)可以通过组合实体和关系的语义来生成路径表示。通过利用路径中的顺序依赖关系,我们允许在路径上进行有效推理,以推断用户项交互的基本原理。此外,我们设计了一种新的加权池操作,以区分用户与项目连接时不同路径的优势,赋予我们的模型一定的可解释性。我们对两个关于电影和音乐的数据集进行了大量实验,展示了对最先进的解决方案,协作知识库嵌入和神经分解机器的重大改进。
2. 介绍
2.1 现有工作的存在的不足
- 现有的努力尚未充分探索用于推断用户偏好的这种连接性,尤其是在对路径内的顺序依赖性和整体语义进行建模方面。
2.2 包含辅助信息
- 更好的发现潜在联系
- 可解释和推理
2.3 知识感知的推荐系统分类:
- 路径
- 元路径(作者认为无效,原因如下)
- 关系通常在元路径之外,很难指明路径的整体语义,特别是在元路径相似但是关系不同的实体之间
- 无法自动的发现并推理看不见的连接模式,因为元路径需要专业的知识。
- 嵌入
- 知识图嵌入
- 缺点:仅考虑到直接的关系,没有考虑到多跳关系,因此缺乏推理能力。
2.4 本文的提出的模型
- 新模型:KPRN(知识感知路径递归网络)
- 通过组合实体和关系的语义来生成路径表示并且推理用户偏好。
- 具体步骤:
- 抽取合理的路径
- LSTM 建模顺序依赖
- 池化操作聚合路径表示去获取用户-项目的预测信号
- 池化操作能够区分不同的路径的预测不同的贡献值