动机:
KG纳入推荐系统时,考虑其不完全性是至关重要。为了共同学习推荐模型和知识图谱补全,将关系信息以KG的形式传递,以了解用户喜欢某件商品的原因。
用户喜欢电影Future 和Future 2,可能是因为喜欢导演Robert的电影。由于缺失三元组(Robert Zemeckis, isDirectorOf, Death Becomes Her)缺失关系,无法为用户推荐电影Death Becomes Her。
CoFM将每个任务中的两个潜向量空间对齐在一起,如果它们指向同一事物,则通过正则化或共享实体和项目嵌入。但是,它忽略了实体关系在用户-项目建模中的重要作用,不能提供解释能力。
方法:
提出TUP(基于翻译的用户喜好模型),关键是利用用户与物品之间存在多种(隐性)关系,揭示用户对物品的消费偏好(即消费原因)。从技术上讲,作者将从KG学习到的关系嵌入和实体嵌入转移到TUP,同时训练KG完成和推荐任务。作者将这种方法称为知识增强TUP (KTUP),它联合学习用户、项目、实体和关系的表示。
考虑到用户偏好的隐含性和多样性,作者在TUP中设计了两个主要组件:偏好归纳和Hyperplane-based翻译。
偏好归纳组件:
给定user-item对(u,i),组件从latent factors集合P中归纳出一种偏好。
两种策略:
hard approach:从p个偏好中选一个。
soft approach:将所有偏好和注意力结合起来。
Hyperplane-based Translation:
受TransH的启发,作者引入了超平面来处理各种偏好。
联合学习:JOINT LEARNING VIA KTUP FOR TWO TASKS
KTUP框架