Learning Intents behind Interactions with Knowledge Graph for Recommendation

KGIN

Abstract

论文中提出目前的GNN-based模型在关系建模上属于粗粒度的建模。在两个方面做得不足:

(1)没有在细粒度的意图级别上识别用户-项目关系

(2)未利用关系依赖性来保留远程连接的语义

于是使用了新的模型——Knowledge Graph-based Intent Network(KGIN),结合KG关系,加强不同用户-项目关系的独立性,以此加强模型的能力和可解释性。

使用了一种新的信息聚合机制,递归地集成远程连接的关系序列(关系路径)。


INTRODUCTION

KG能够改进推荐系统,其中富含的关系信息能够更好的建模。不仅能够揭露项目之间的复杂关系,还能更好地解释用户的偏好。

以前的工作使用KG三元组,并将其视为前置的信息来实现实体表示。后续的一些研究通过丰富用户和项目之间多跳路径,以此更好的表征用户-项目关系。最近,基于GNN的端到端模型变成了一种技术趋势。关键思想是利用信息聚合方案,它可以有效地将多跳邻居集成到表示中。

文章中认为现在的GNN-based方法有两个不足:

(1)User Intent

文章中说目前研究没有考虑更细粒度的意图级别的用户-项目关系。忽略了一个事实:一个用户可能会有多个意图,驱使用户去消费不同的产品。

(2)Relational Paths

文章认为目前的信息聚合机制都是基于节点的,中心节点从邻居节点收集信息,但是没有区分这些信息来自于那一条关系路径(Relational Path),因此不能充分第捕获关系中的交互。

KGIN有两个组成部分来解决上述限制:

(1)User Intent Modeling

每个用户-项目交互都包含潜在的意图,并且可以用向量表示,但是难以解释。因此,将每个意图与KG关系的分布相关联,说明关系组合的重要性。技术上说,就是intent的嵌入表示,是关系嵌入表示的组合,其中更重要的关系占比更大。此外,还引入独立性约束,鼓励不同intent的差异性,以此得到更好地可解释性。

(2)Relational Path-aware Aggregation

与基于节点的聚合机制不同,文章将关系路径视为信息通道,并将每个通道编成一个向量表示。因为user-intent-item和KG三元组是异构的,需要设置不同的聚合策略,以分别提取用户的行为模式和项目的相关性。


PROBLEM FORMULATION

Interaction Data

文章中关注推荐中的隐式反馈(例如:查看,点击,购买)。

U是users的集合

I是items的集合

\(O^+ = \{(u,i)|u∈U,i∈I\}\)是观察到的反馈集合,(u,i)对表示用户u和项目i历史上有交互行为

引入一个额外的internet-with来显式呈现用户-项目关系并将(u,i)转换成(u,interact-with,i),以此用户-项目交互可以和KG结合起来

Knowledge Graph

KG以异构图存储真实世界中的结构化信息,例如:项目属性、分类、常识等等

V是真实世界中实体的集合

R是关系的集合,表示一些规范和反方向的关系,例如director and directed-by

G = {(h,r,t)|h,t∈V, r∈R}是三元组的集合,(h,r,t)三元组表示从头实体h到尾实体t存在r关系。通过项目和KG实体之间的映射(I ⊂ V),KG能够分析项目并为交互数据提供补充信息。

Task Description

给定交互数据 \(O^+\) 和知识图谱G,我们使用知识感知推荐任务学习一个可以预测用户喜欢某个项目的可能性的函数。


METHODOLOGY

Learning Intents behind Interactions with Knowledge Graph for Recommendation

上一篇:rpm和yum/dnf详细安装方式以及区别


下一篇:学习python第n天——我在看笨办法学python(这是所有的输入和输出了)