论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统

 

笔记整理:王若旭,浙江大学在读硕士,研究方向为关系抽取,零样本学习。

本文发表于 www2019,参考链接:https://arxiv.org/pdf/1905.04413.pdf

 

为了解决推荐系统中协同过滤方法面对的数据稀疏和冷启动的问题,很多研究者将关注点放在 user 和 item 的属性上,通过设计一些算法来探索这些辅助信息。本篇文章基于属性之间并非独立的观点提出 Knowledge Graph Convolutional Networks (KGCN),通过挖掘 item 在 KG 属性上的关系有效地捕获item内部的联系。

具体的做法如下(参考下图理解):

1)首先,将 user-item 中的 item 和 KG 中 entity 对齐。

2)计算 user u 和 KG 中 relation r 的得分,表示用户 u 对关系 r 的重视程度,如:一些用户更注重某部电影的导演而非演员。

3)通过对周围 entity e 施加不同权重,计算 item v 拓扑机构表示。其中,N(v)v 的邻接节点。

4)文中提出三种聚合方法来聚合item v的表示和它邻接节点的表示 (S(v)是为了保持每批次的计算模式固定且更高效,从N(v)中采样得到的)。

5)论文采用 hinge loss,考虑到算法的效率,为每个样本产生 Tu 个负样本,且样本满足均匀分布。

KGCN算法流程如下

数据集:包括 movieLens-20MBook-CrossingLast.FM,用 Microsoft Satori 进行对齐,丢掉了多个匹配的和没有匹配上的 item。数据集统计如下:

K: 感知的宽度,即考虑的邻居节点数量

d:u,v表示的维度

H: 感知的深度,即递归的次数

 

实验结果:

1)整体结果

2)邻居节点数量K,表示的维度d,感知的深度H对结果的影响

 

OpenKG

开放知识图谱(简称 OpenKG)旨在促进中文知识图谱数据的开放与互联,促进知识图谱和语义技术的普及和广泛应用。

发表评论

邮箱地址不会被公开。 必填项已用*标注