数据库型网站,怎么把电脑当服务器做网站,有什么建筑网站,免费网站模板下载笔记整理#xff1a;李爽#xff0c;天津大学硕士链接#xff1a;https://dl.acm.org/doi/pdf/10.1145/3459637.3482092动机在信息爆炸的时代#xff0c;推荐系统被广泛研究和应用#xff0c;以发现用户的偏好信息。RS在冷启动时性能较差#xff0c;如果将知识图谱(Knowl… 笔记整理李爽天津大学硕士链接https://dl.acm.org/doi/pdf/10.1145/3459637.3482092动机在信息爆炸的时代推荐系统被广泛研究和应用以发现用户的偏好信息。RS在冷启动时性能较差如果将知识图谱(Knowledge graph, KG)作为辅助信息可以缓解冷启动问题。然而现有的研究大多忽略了KGs中的节点度是偏移的并且在KGs中的大量交互是推荐不相关的。为了解决这些问题本文提出了基于关系GNN的推荐知识图谱可微抽样(DSKReG)该方法从KGs中学习连通项的相关分布并根据该分布选取适合推荐的项目。作者设计了一种可微抽样策略使相关项目的选择与模型训练过程共同优化。实验结果表明该模型的性能优于目前最先进的基于KG的推荐系统。亮点DSKReG的亮点主要包括1.根据关联关系和项目类型计算相关分数进行抽样可以引导模型选择推荐相关的项目2.设计一种可微抽样策略使得模型在优化的同时细化抽样过程。概念及模型模型的整体框架如下图所示。•问题定义知识感知推荐的目标是预测用户u是否对给定历史交互和KG的项目v有兴趣。在形式上用户U与项目V的历史交互被表示为用户-项目二部图 。KG包含与项目相关的属性如电影的类型、导演和演员。作者将KG格式化为有向异构图例如(James Cameron, isdirectorof, Titanic)其中E和R分别表示实体和关系的集合。因此知识感知的推荐任务可以形式化为•关系的邻居构建节点度偏度限制了KG中稀疏连接的节点的可用邻居项目池。作者提出了“协同交互”模式来建立高阶项目与项目之间的关系从而缩短相关项目之间的路径距离。从输入KG 中提取协同交互模式构造一个具有新的协同关系集的项目-项目协同交互无向图 其定义如下在这些关系的访问之后将具有协同交互模式的项目连接起来并构造如框架图(a)所示的项目-项目图。这样可以直接连接高阶邻域避免接收域的指数增长。将用户-项目二部图 和项目-项目协同交互图 统一为一个关系图。•可微的抽样引入可微抽样的邻居选择。交互关系对推荐的相关性因用户而异并且交互关系是不平衡的。这就带来了一个问题当潜在邻居池很大时高度相关的邻居就会减少。为了过滤噪声保留真正的相关信息作者引入关系感知采样方法从关系的角度分配权重。抽样过程首先为每个项目定义一种新的关系感知的相关性得分分布然后对其进行抽样。项目i的关系感知相关性分数分布 定义如下:关联项和邻接项共同决定了其邻接相关概率强调了抽样相关计算中关系感知的必要性。考虑到计算出的相关性分布只选择top-k最相关的项。为了使该过程具有可微性并与优化过程相结合应用Gumbel-Softmax重参数化技巧•偏好感知聚合在top-k邻居消息传播过程中除了考虑关系因素外还应考虑用户偏好。由于用户可能对各种关系有不同的偏好所以在聚合中考虑这些关系。项目i的嵌入如下•预测和优化使用点积生成用户u对项目i的偏好分数并推断出用户/项目嵌入分别为 和 。预测计算如下使用成对BPR损失优化top-N推荐理论分析实验作者在三个基准数据集Last.FM, BookCrossing和MovieLens-Sub上进行了实验。为了评估top-N推荐和偏好排名的性能使用三个标准指标Recall, Precision和NDCG。分别计算前5项、前10项和前20项的Recall、Precision和NDCG。如上表所示本文的模型DSKReG在大多数情况下显著优于最先进的方法。与最强的基线模型相比DSKReG模型在Last.FM上对于Recall、Precision和NDCG平均分别提高了7.73%、6.2%和9.03%的性能。同样在BookCrossing上的表现比最佳基线模型高出9.43%、4.97%和19.83%。在MovieLens-Sub数据集上分别提高了11.47%、15.60%和45.47%的性能。这些结果表明了模型的有效性。令人惊讶的是DSKReG模型显著提高了NDCG。其中NDCG20在三个数据集上分别提高了14.2%、32.0%和37.5%。由于NDCG考虑了位置重要性和项目数来衡量推荐质量这些结果显示了DSKReG模型在推荐方面的优越性。作者还做了几个消融实验。1、关系感知抽样的效果实验结果如图2所示结果表明在Last.FM和MovieLens-Sub上GS的性能优于其他抽样方法。在BookCrossing上使用L2距离和内积度量的方法可以获得与GS类似的结果。原因可能是这个数据集中的项目之间的关系相对简单L2距离和内积度量足以建模项目关系。然而在处理复杂的物品关系方面GS明显优于其他指标。2、抽样规模的影响为了检验邻域大小的有效性作者使用不同的K进行实验K是采样后邻域的大小。如图3所示Last.FM、BookCrossing和MovieLens-Sub的最佳邻居大小是8。这表明只有一小部分项目是相关的。本文的模型可以为聚合选择有价值的信息使得模型在只有8个邻居的情况下获得最佳性能。总结文章提出了一种新的框架DSKReG来缓解基于KG的推荐节点度偏移和干扰交互的限制。DSKReG是一种基于采样的关系GNN它从KGs中提取与推荐相关的信息。作者设计了一种可微分的DSKReG采样策略并与模型共同优化学习如何选择top-k相关项目进行聚合。作者在三个公共数据集上进行实验验证了DSKReG在提高推荐性能方面的有效性。OpenKGOpenKG中文开放知识图谱旨在推动以中文为核心的知识图谱数据的开放、互联及众包并促进知识图谱算法、工具及平台的开源开放。点击阅读原文进入 OpenKG 网站。
