Explainable Reasoning over Knowledge Graphs for Recommendation基于知识图谱路径推理的可解释推荐

摘要

    近年来，将知识图引入推荐系统引起了越来越多的关注。通过研究知识图中的相互关系，可以发现用户与项目之间的连接是路径，这为用户与项目之间的交互提供了丰富和互补的信息。这种连通性不仅揭示了实体和关系的语义，而且有助于理解用户的兴趣。然而，现有的工作还没有完全探索这种连接来推断用户的偏好，特别是在建模路径内部的顺序依赖关系和整体语义方面。

    本文提出了一种新的知识感知路径递归网络(KPRN)模型，利用知识图进行推荐。KPRN可以通过组合实体和关系的语义来生成路径表示。通过利用路径中的顺序依赖关系，我们允许对路径进行有效的推理，从而推断用户-项交互的基本原理。此外，我们设计了一个新的加权池操作来区分连接用户和项目的不同路径的优势，使我们的模型具有一定的可解释性。我们在两个关于电影和音乐的数据集上进行了广泛的实验，证明了与最先进的解决方案嵌入的协作知识库与神经因子分解机器的重要提高。

以下纯属个人理解，如果有错请大家指正:

•        把Kg运用到推荐系统中，粗略分类主要有Embedding-based 和Path-based两种方法。而且，Kg可以增强推荐的可解释性。

Embedding-based主要是学习item的表示，缺点是 一，不能准确学习到user-item之间的implicit关系；二、缺少推荐的可解释性

Path-based主要是运用meta-paths（元路径）：作为实体类型的序列，不利用关于path的推理，而是使用use