Explainable Reasoning over Knowledge Graphs for Recommendation

Explainable Reasoning over Knowledge Graphs for Recommendation

摘要

将知识图谱引入推荐中存在的问题

  • 未充分探索用于推断用户偏好的这种连接性
  • 对路径内的顺序性和整体语义建模方面存在不足

提出解决问题的模型

  • KPRN(知识感知路径递归网络),利用知识图谱做推荐

KPRN的核心

KPRN利用路径中的顺序依赖关系,我们可以在路径上进行有效推理,以推断用户与项目交互的基本原理。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,使模型具有一定的可解释性。

数据集

  • 电影

    • MovieLens-1M和IMDb组合,MI
  • 音乐

    • KKBox

介绍

KG

用户与项目之间的连通性反映了它们
之间的潜在关系,这是对用户与项目交互数据的补充。
从KG派生的额外用户项连接信息使推荐系统具有推理能力和可解释性。

比对知识图谱做推荐之前的方法

  • 基于路径的方法

    作为实体类型的序列,不利用关于path的推理,而是使用user-item关联更新user-item相似性,但需要领域专业知识。

  • 知识图嵌入

    仅考虑实体之间的直接关系,而不考虑如运行示例所示的多跳关系路径. 此外,以一种相当隐含的方式来实现用户项连接的表征,即,引导表示学习,而不是推断。

KPRN模型的优势

  • 目的:推断出用户对项目的偏好

  • 推理方面

    能够对实体的顺序依赖性和连接用户-项对的路径的复杂关系建模。

  • 可解释方面

    推断用户兴趣时能够区分不同路径的不同贡献。

推荐系统算法

基于模型的算法

KPRN

Explainable Reasoning over Knowledge Graphs for Recommendation_第1张图片
Explainable Reasoning over Knowledge Graphs for Recommendation_第2张图片

背景

本文提出的知识图谱是传统KG和用户-项目数据组合而成的。

通过路径进行用户偏好推断

KG中的三元组清楚地描述了项目的直接或间接(即多步骤)关系属性,这些属性应构成给定用户和项目对之间的一条或多条路径。我们探索这些路径,以实现对推荐的全面推理和理解。
因此,从推理的角度来看,我们消耗所有路径上的连通性来学习组合关系表示,并将它们加权汇集在一起​​以预测用户和目标项之间的交互关系。

KPRN建模

KPRN将每个用户 - 项目对的一组路径作为输入,并输出指示用户将如何与目标项目交互的分数。
有三个关键组件:
嵌入层,用于投射三种类型的ID信息:实体,实体类型,以及指向下一个节点的潜在空间的关系
LSTM顺序编码元素的层,其目标是捕获以关系为条件的实体的组成语义
池化层组合多个路径并输出与目标项交互的给定用户的最终得分。

Embedding Layer

在现实世界的场景中,由于连接它们的不同关系,相同的实体 - 实体对可能具有不同的语义是常见的。
这种差异可以揭示关于用户选择该项目的原因的不同意图。作为一个例子,让({Ed Sheeran,IsSingerOf,Shape of You})和({Ed Sheeran,IsSongwriterOf,Shape of You})成为引用用户偏好的两条路径中的三元组。
在没有指定关系的情况下,这些路径将表示为相同的嵌入,无论用户是否更喜欢Ed Sheeran演唱的歌曲,而不是Ed Sheeran所写的歌曲。因此,我们认为将关系的语义明确地纳入路径表示学习是很重要的。

LSTM Layer

与多数RNN方法相比,LSTM能够按顺序记忆长期依赖关系。这是选择LSTM的原因。
详细请看转载以下博主链接
https://blog.csdn.net/shijing_0214/article/details/52081301

Pooling Layer

设计一个加权池操作来聚合所有路径的得分。

Learning

我们将推荐者学习任务视为二元分类问题,其中为观察到的用户-项目交互分配目标值1, 除此以外0。我们使用逐点学习方法来学习模型的参数。
采用负对数似然作为目标函数。

Related Work

简述了先前研究中的方法与本文提出的方法做对比,指出基于路径做推荐方法和图嵌入方法做推荐的不足之处

你可能感兴趣的:(知识图谱用于推荐,算法,python,深度学习,人工智能)