该研究探讨了基于知识图谱的推荐算法，强调了模型的可解释性和训练方法。通过实体识别、路径建模和注意力机制，改进了推荐系统的交互表示。提出使用知识图谱结构化信息来控制探索步伐，避免物品层面的探索偏差。同时，研究了如何动态更新用户兴趣编码，并引入奖励函数以平衡序列和知识奖励。此外，还讨论了负样本采样策略以及知识图谱在推荐系统中的应用方式，如embedding、路径和GNN。
- u u u是用户， i i i是物品，C是某个上下文
- 推理架构：如何设计模型
- 可解释性：推荐模型设计好过后如何去解释推荐结果
- 训练方式：如何去训练一个推荐模型
实体识别->实体链接->知识图谱的构建
意识信息网络：
二元的交互刻画成三元的交互 原来只是对物品和用户进行建模
- 共同注意力网络 路径与用户/物品表示相互增强
用户/物品 ->路径 得到路径表示，因为此时的路径可能只与当时的用户和交互过的商品有关
路径->用户/物品 反过来用路径去更新用户和物品的信息
交互原因：UUUM UMGM根据类别
- 一是离散的属性集合
- 二是链
- 三是两点之间所有的交互路径
走出偏好茧房的制约
传统推荐得到的状态
最低0.47元/天 解锁文章
810
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
