Knowledge Graph Convolutional Networks for Recommender Systems
ABSTRACT
背景
为了减轻基于协作过滤的推荐系统的稀疏性和冷启动问题,研究人员和工程师通常收集用户和项目的属性,并设计精细的算法目的是利用这些额外的属性信息。一般来说,属性不是孤立的,而是相互联系的,形成了一个知识图谱(KG)。
创新点
提出了知识图卷积网络(KGCN),这是一个端到端的框架,通过在KG上挖掘它们的相关属性来有效地捕捉项目间的相关性。
为了自动发现KG的高阶结构信息和语义信息,从知识图谱每个实体的邻居采样作为感受野,然后当计算一个给定实体表示的时候,将邻里信息与偏执值结合起来考虑。感受野可以扩展到多个跳,以模拟高阶邻近信息,并捕获用户潜在的远程兴趣。
INTRODUCTION
基于CF用户和项目交互的缺点
协同过滤(C F)是一种传统的推荐技术,它分配基于用户和项目ID的向量表示,然后通过特定的操作对它们的交互进行建模。例如:内积和神经网络。基于CF的方法通常存在用户-项目交互的稀疏性和冷启动问题。
为了解决这些限制,研究人员通常采用特征丰富的场景,用户和项目的属性被用来补偿稀疏性并提高推荐的性能。