AAAINov, 2018

可解释推理知识图谱推荐

PDF
TL;DR本文提出了利用知识图谱的路径循环神经网络模型（Knowledge-aware Path Recurrent Network），该模型可以通过组合实体和关系的语义生成路径表示，并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作，区分连接用户和物品的不同路径的强度，为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验，显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。
knowledge graphrecommender systempath representationsequential dependenciesweighted pooling operation
发现论文，激发创造
  • 可解释推荐的增强知识图谱推理

    本文提出了一种名为策略引导路径推理（PGPR）的方法，将推荐和可解释性结合起来，并在知识图中提供实际路径，通过明确的推理过程生成和支持推荐，同时实现了强化学习和策略引导图搜索算法。在多个实际数据集的评估中，与现有的最先进方法相比，获得了良好的结果。

    Jun, 2019

  • 基于知识图谱的上下文感知可解释推荐

    探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。

    Oct, 2023

  • 知识为力量，理解为影响力：路径推荐中的效用和超越目标，解释质量，以及公正性

    通过复制三种最新的路径推理推荐方法，基于知识图谱 (KG) 设计公共评估协议，在两个公共数据集上研究它们的推荐效用、解释质量和公平性等领域，以提高路径推理推荐的性能和应用效果。

    Jan, 2023

  • 基于路径推理的可解释会话推荐

    通过路径推理探索为基于会话的推荐（SR）提供解释能力。通过设计通用的层次强化学习框架 PR4SR，我们提出了一种改进现有 SR 模型的可解释性的方法。实验证明 PR4SR 在推荐和解释任务上的效果更好。

    Feb, 2024

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

    Feb, 2019

  • 知识图谱可解释的基于实体的推荐

    本文介绍了一种通过利用知识图谱的外部知识来生成解释的方法，通过 Personalized PageRank 算法对商品和知识图谱实体进行联合排序，生成具有解释的推荐。

    Jul, 2017

  • 基于 Ripple 知识图谱的卷积神经网络推荐系统

    该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。

    May, 2023

  • 基于知识图谱交互学习推荐意图

    该研究提出了一种名为 “KGIN” 的知识图谱意图网络模型，应用了关注机制的思想，能够更准确地表达用户与物品之间的相关性，实现了基于图神经网络的推荐系统并取得了显著的性能提升。

    Feb, 2021

  • LLM 引擎支持的解释方法：通过子图推理揭示推荐的原因

    利用大型语言模型和知识图谱相结合的方法，增强推荐系统的效果和可解释性，并通过实验证明在实际交叉销售推荐系统中具有实用性和潜力。

    Jun, 2024