KGIN 2021（WWW）Learning Intents behind Interactions with Knowledge Graph for Recommendation

最新推荐文章于 2022-11-28 10:19:47 发布

TVfan

最新推荐文章于 2022-11-28 10:19:47 发布

阅读量4.5k

点赞数 3

分类专栏：基于知识图谱的推荐系统文章标签：知识图谱推荐系统

本文链接：https://blog.csdn.net/qq_38420451/article/details/114883495

版权

背景

利用知识图谱的结构信息进行嵌入丰富物品表示

Collaborative Knowledge Base Embedding for Recommender Systems（2016）
Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation（2019）
Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences（2019）

利用用户物品之间的多跳路径来刻画用户物品之间的相关性

Leveraging meta-path based context for top-n recommendation with a neural co-attention model（2019）
Explainable Reasoning over Knowledge Graphs for Recommendation（2019）
Reinforcement Knowledge Graph Reasoning for Explainable Recommendation（2019）

通过GNN图神经网络，将邻居信息聚集到表示中，丰富用户物品信息

Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems（2019）
Knowledge Graph Convolutional Networks for Recommender Systems（2019）
Knowledge Graph Attention Network for Recommendation（2019）
: Collaborative Knowledge-aware Attentive Network for Recommender System（2019）

从更细致的角度看待用户对某一物品的喜爱，例如：一个用户喜欢一部电影，可能时因为喜欢它的导演，喜欢它的主演，喜欢它的类型等。即：用户意图：一个用户有多种意图，驱使用户购买不同的物品。在本论文中，作者假设和用户相关的意向有n个， $p_1,p_2,\cdots,p_n$ ,这些意向是通过知识图谱中的关系的不同影响程度构成，比如，第一个意向只由关系 $r_1$ , $r_2$ 决定。

关系路径：现有的知识图谱主要通过node-based聚集邻居节点信息，通过一跳，二跳，三跳获取不同的路径，但是，这种方法并没有保留路径中的关系，没有充分利用关系中隐含的交互信息。
- 没有区分路径来源：节点 $u_1$ 和两跳邻居 $v_2$ ： $u_{1} \stackrel{p_{1}}{\longleftarrow} i_{1} \stackrel{r_{2}}{\longleftarrow} v_{2}$ 和 $u_{1} \stackrel{p_{2}}{\longleftarrow} i_{2} \stackrel{r_{2}}{\longleftarrow} v_{2}$ ，基于节点的聚合器主要通过衰减因子来转换和重新缩放 $v_2$ 的表示，没有考虑不同的通道。
- 目前的node-based使用注意力网络调控邻居节点的贡献度，但是关系依赖性并没有被捕获 $\left(\right.$ e.g., $\left(p_{2}, r_{2}, r_{3}\right)$ in path $\left.u_{1} \stackrel{p_{2}}{\longleftarrow} i_{2} \stackrel{r_{2}}{\longleftarrow} v_{2} \stackrel{r_{3}}{\longleftarrow} v_{3}\right)$ 。