核心问题:
提出了一个intent(意图)的概念,这里将意图定义为KG中关系的注意力组合,是用一种潜在的向量表示,无法在语义上解释。之前的研究都没有考虑在fine-grained的意图层面上考虑用户和物品的交互。我们将对intent进行建模。也不能利用关系依赖性来保持远程连接的语义,指的是常用的信息聚集是基于节点的邻居信息(聚合一跳,二跳,多跳的信息)这样的方式没有考虑信息来自哪一条路径,它不能保存路径所携带的关系依赖项和序列。这里将关系路径视为信息通道,并对每一个通道嵌入一个向量表示。这么做可以将关系依赖性和路径的语义编码到表示中。
其贡献在于:
- 在基于kg的推荐中揭示交互背后的用户意图,以获得更好的模型容量和可解释性
- 在GNN范式下以更细粒度的意图和关系路径的长期语义来考虑用户-项目关系
具体模型:
KGIN(Knowledge Graph-based Intent Network)
它由两个关键部分组成:(1)用户意图建模,它使用多个潜在意图来描述用户-物品关系,并将每个意图作为KG关系的细心组合,同时鼓励不同意图相互独立;(2)关系路径感知聚合,强调了长期连接中的关系依赖性,从而保持关系路径的整体语义。
KGIN最终生成用户和项目的高质量表示。在给定用户和项目的交互数据和知识图谱,学习一个可以预测用户采用某一商品可能性的函数。