Press "Enter" to skip to content

论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

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 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 T u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-20M , Book-Crossing , Last.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

 

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注