Explainable Reasoning over Knowledge Graphs for Recommendation

知识图谱

1. 摘要

• 近年来，将知识图结合到推荐系统中已引起越来越多的关注。通过探索知识图中的互连链接，可以将用户和项之间的连接发现为路径，从而为用户项交互提供丰富且互补的信息。这种连接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，现有的努力尚未充分探索用于推断用户偏好的这种连接性，尤其是在对路径内的顺序依赖性和整体语义进行建模方面。我们开发了一个名为知识感知路径重复网络（KPRN）的新模型，以利用知识图表进行推荐。

• 我们的新模型知识感知路径递归网络（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，我们允许在路径上进行有效推理，以推断用户项交互的基本原理。此外，我们设计了一种新的加权池操作，以区分用户与项目连接时不同路径的优势，赋予我们的模型一定的可解释性。我们对两个关于电影和音乐的数据集进行了大量实验，展示了对最先进的解决方案，协作知识库嵌入和神经分解机器的重大改进。

2. 介绍

2.1 现有工作的存在的不足

• 现有的努力尚未充分探索用于推断用户偏好的这种连接性，尤其是在对路径内的顺序依赖性和整体语义进行建模方面。

2.2 包含辅助信息

• 更好的发现潜在联系
• 可解释和推理

2.3 知识感知的推荐系统分类:

• 路径
  
  • 元路径（作者认为无效，原因如下）
  • 关系通常在元路径之外，很难指明路径的整体语义，特别是在元路径相似但是关系不同的实体之间
  • 无法自动的发现并推理看不见的连接模式，因为元路径需要专业的知识。
• 嵌入
  
  • 知识图嵌入
  • 缺点：仅考虑到直接的关系，没有考虑到多跳关系，因此缺乏推理能力。

2.4 本文的提出的模型

• 新模型：KPRN(知识感知路径递归网络)
  
  • 通过组合实体和关系的语义来生成路径表示并且推理用户偏好。
  • 具体步骤：
  • 抽取合理的路径
  • LSTM 建模顺序依赖
  • 池化操作聚合路径表示去获取用户-项目的预测信号
    
    • 池化操作能够区分不同的路径的预测不同的贡献值

3. KPRN模型解读