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)
提出问题
- 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 , ⋯ , p n p_1,p_2,\cdots,p_n p1,p2,⋯,pn,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_1 r1, r 2 r_2 r2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 u_1 u1 和两跳邻居 v 2 v_2 v2: u 1 ⟵ p 1 i 1 ⟵ r 2 v 2 u_{1} \stackrel{p_{1}}{\longleftarrow} i_{1} \stackrel{r_{2}}{\longleftarrow} v_{2} u1⟵p1i1⟵r2v2和 u 1 ⟵ p 2 i 2 ⟵ r 2 v 2 u_{1} \stackrel{p_{2}}{\longleftarrow} i_{2} \stackrel{r_{2}}{\longleftarrow} v_{2} u1⟵p2i2⟵r2v2,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 v_2 v2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., ( p 2 , r 2 , r 3 ) \left(p_{2}, r_{2}, r_{3}\right) (p2,r2,r3) in path u 1 ⟵ p 2 i 2 ⟵ r 2 v 2 ⟵ r 3 v 3 ) \left.u_{1} \stackrel{p_{2}}{\longleftarrow} i_{2} \stackrel{r_{2}}{\longleftarrow} v_{2} \stackrel{r_{3}}{\longleftarrow} v_{3}\right) u1⟵p2i2⟵r2v2⟵r3v3)。
主要贡献
- 在基于KG的推荐中显示交互背后的用户意图,以提供更好的模型能力和可解释性。
- 提出一个新的模型KGIN,该模型在GNN范式下以更精细的意图粒度和关系路径的远程语义考虑用户-项目关系。
模型输入
- 交互数据
O + = { ( u , i ) ∣ u ∈ U , i ∈ I } O^{+}=\{(u, i) \mid u \in \mathcal{U}, i \in I\} O+={ (u,i)∣u∈U,i∈I} - 知识图谱
该知识图谱包含物品的属性,分类,常识等异构信息。
基础架构
user intent modeling用户意图建模
利用多个潜在意图来描述用户与物品的关系,并将每个意图表述为KG中关系的组合,同时鼓励不同的意图相互独立,提供用户不同的影响力因子。
intent graph意向图
P \mathcal{P} P:用户共享的意向集合,我们可以假设用户共享的意向数量,本论文中是4个。
我们可以把用户物品交互信息 ( u , i ) (u, i) (u,i)转为 { ( u , p , i ) ∣ p ∈ P } \{(u, p, i) \mid p \in \mathcal{P}\} {
(u,p,i)∣p∈P},从而建立意向图,从而以更细粒度的假设来探索用户物品之间的关系。
Representation Learning of Intents
假设一种意向是由多种关系构成,且不同的关系对意向的影响程度不同,因此采用注意力机制来形成对intent embedding。
e p = ∑ r ∈ R α ( r , p ) e r \mathbf{e}_{p}=\sum_{r \in \mathcal{R}} \alpha(r, p) \mathbf{e}_{r} ep=r∈R