当前位置: 代码迷 >> 综合 >> 2021-WWW-Learning Intents behind Interactions with Knowledge Graph for Recommendation
  详细解决方案

2021-WWW-Learning Intents behind Interactions with Knowledge Graph for Recommendation

热度:18   发布时间:2023-12-06 04:08:27.0

ABSTRACT

将KG运用到RS中,现存的GNN方法在关系建模中是粗粒度的,不能在细粒度的意图粒度上识别user-item关系,也不能利用关系依赖关系来保留远程连接的语义。(后半句怎么理解?)

本文提出KGIN,将每个意图建模成KG关系的注意力结合,鼓励不同意图间的独立性;设计了新的消息聚合机制,递归的整合长距离连通性的关系序列。这些设计能够提取关于用户意图的有用信息,将其编码进用户和物品的表示中。

1 INTRODUCTION

KG运用到RS:KG学习嵌入—路径—GNN

缺点:

  • 用户意图:一个用户有多种意图来驱使user消费不同的物品*(理解:将user-item交互分解到多个意图上,每个意图是不同关系[这个关系还包括高阶连通性?不是简单的非A即B关系]的组合)*

  • 关系路径:目前的大多方法聚合机制是基于节点的,也就是从邻居节点收集信息,没有区分这些节点来自于哪些路径*(目前加的注意力机制和关系相关不能区分吗?)*;现存的方法不能保留由路径承载的关系依赖性和序列举了个例子,还是有些疑问

在这里插入图片描述

3 METHODOLOGY

3.1 用户意图建模

在这里插入图片描述
在这里插入图片描述

3.2 关系路径感知的聚合

当前基于节点的聚合,两个问题:

  • 关注于邻居节点,没有区分邻居节点来自于那条路径
  • 通常使用注意力网络将KG关系建模成衰变因素*(不确定翻译/理解的对不对?)*,这限制了KG关系对于节点表示的贡献。通过路径(p2,r2,r3)连接的三阶邻居在聚集时,这条路径的关系依赖性没有用显式的方法进行捕获。

在这里插入图片描述
在这里插入图片描述

4 EXPERIMENTS

4.3 消融实验(RQ2)

在这里插入图片描述
在这里插入图片描述

4.4 KGIN的可解释性(RQ3)

在这里插入图片描述

5 RELATED WORK

将KG运用到RS模型分为四类

  • 基于嵌入的方法

    • 使用知识图谱嵌入技术来学习实体嵌入;将嵌入使用到RS模块
    • 缺点,只关于一阶连通性(交互对、KG三元组),忽略了高阶连通性
  • 基于路径的方法

    • 通过提取路径来考虑长距离连通性(通过KG连接traget user和node节点的路径),使用这些路径来预测用户偏好,比如RNN和记忆网络
    • 缺点,路径的设置,所有的路径耗时;人工设置路径需要专家知识
  • 基于策略的方法

    • 强化学习,设计RL代理来学习路径查找策略,(强化学习是会话推荐系统的主要模型)
    • 缺点,稀疏的奖励信号、巨大的行动空间、基于策略的优化
  • 基于GNN的方法

    • 信息聚合机制,整合一阶邻居的信息更新自我节点表示;多层、来自于多阶邻居节点的信息可以编码进其表示中
    • 缺点,设想user和item间只有一种关系,没有探究隐藏的意图;不能保存路径中的关系依赖性。(本文模型的动机)