Learning Intents behind Interactions with Knowledge Graph for Recommendation www 2021

摘要

知识图(KG)在推荐系统中发挥着越来越重要的作用。最近的一个技术趋势是开发基于图神经网络(GNN)的端到端模型。然而，现有的基于GNN的模型在关系建模中是粗粒度的，不能(1)在细粒度的意图级别识别用户-项关系，(2)利用关系依赖来保持远程连通性的语义。

在这项研究中，我们通过使用辅助项目知识来探索用户与项目交互背后的意图，并提出一种新模型，即基于知识图的意图网络（KGIN）。从技术上讲，我们将每一个意图建模为KG关系的细心组合，鼓励不同意图的独立性，以实现更好的建模能力和可解释性。此外，我们为GNN设计了一种新的信息聚合方案，该方案以递归方式集成了远程连接的关系序列（即关系路径）。该方案使我们能够提取有关用户意图的有用信息，并将其编码为用户和项目的表示形式。在三个基准数据集上的实验结果表明，与KGAT [41]，KGNN-LS [38]和CKAN [47]等最新方法相比，KGIN取得了显着改进。进一步的分析表明，KGIN通过识别有影响力的意图和关系路径，为预测提供了可解释的解释。

1 INTRODUCTION

知识图谱（KG）在提高推荐的准确性和可解释性方面显示出巨大潜力。 KG中的丰富实体和关系信息可以补充用户和项目之间的关系模型。 它们不仅可以揭示项目之间的各种相关性（例如，由某人共同导演），还可以用于解释用户的偏好（例如，将用户对电影的选择归因于其导演）。

从这种结构性知识中学习高质量的用户和项目表示已成为知识感知推荐的主题。早期的作品[1、4、51]从KG三元组生成嵌入，并将它们作为先验或内容信息来补充项目表示。一些后续研究[15、44、49]丰富了从用户到物品的多跳路径之间的交互，以更好地表征用户与物品之间的关系。然而，这些方法难以获得高质量的路径，遭受着各种问题的困扰，例如劳动密集型特征工程[44]，到不同领域的可移植性差[15、17]和/或性能不稳定[49]。最近，技术趋势[38，39，41，47]是开发基于图神经网络（GNN）的端到端模型[9，13，19，34]。关键思想是利用信息聚合方案，该方案可以将多跳邻居有效地集成到表示中。得益于连通性建模和表示学习的集成，这些基于GNN的模型在推荐方面取得了有希望的性能。

（用户有意采用项(即细粒度偏好)的示例，其中箭头是从头实体到尾实体的关系。最好是彩色的。）左图v2到v3画反了，右图是正确的

尽管它们是有效的，但我们认为当前基于GNN的方法在建模方面存在两个不足：(1)用户意图。据我们所知，这些研究中没有一项考虑到用户项关系的细粒度意图。一个重要的事实被忽略了：用户通常有多个意图，驱使用户消费不同的物品。以图1的右侧为例，意图𝑝1强调了导演（𝑟1）和明星（𝑟2）方面的结合，促使用户𝑢1观看电影𝑖1和𝑖5。而另一个意图𝑝2会突出显示明星（𝑟2），而搭档（𝑟3）会提示用户选择电影𝑖2。忽略用户意图的存在会限制用户-项目交互的建模。 （2）关系路径。在这些研究中，信息聚合方案主要基于节点，即从相邻节点收集信息，而又不区分信息来自何路。此外，KG关系通常以相邻矩阵的衰减因子[38，41]为模型，以控制邻居的影响。如图2左侧所示，𝑢1的表示将来自一跳，二跳和三跳邻居（即{𝑖1，𝑖2}，{𝑣1，，2，𝑣3}，{𝑣3}，分别）。它不能保留路径（例如，从𝑣3到𝑢1的三跳路径中的路径（例如，𝑝1，，r2，r3））之间的关系依存关系和顺序。因此，这种基于节点的方案不足以捕获关系之间的交互。

在本文中，我们专注于通过使用项目KG探索用户与项目交互背后的用户意图，从而提高建议的性能和可解释性。我们提出了一种新模型，即基于知识图的意图网络（KGIN），该模型由两个组件组成，以相应地解决上述局限性：（1）用户意图建模。每个用户-项目交互都充斥着潜在的意图。尽管我们可以将这些意图表示为潜在向量，但它们的语义难以理解。因此，我们将每个意图与KG关系的分布相关联，从而说明了关系组合的重要性。从技术上讲，意图嵌入是关系嵌入的精心组合，其中重要的关系被分配了较大的归因分数。此外，引入了独立性约束来鼓励意图之间的显着差异，以实现更好的可解释性。 （2）关系路径感知聚合。与基于节点的聚合机制不同，我们将关系路径视为信息通道，并将每