联合学习具解释性规则的知识图推荐
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
在本研究中,我们提出了一种新的方法,通过在给定知识图谱上应用预训练的实体和关系嵌入来增强知识图谱,并运用规则挖掘系统,从而结合了规则挖掘和基于嵌入的方法的优点,我们在七个基准数据集上进行了大量实验证明了我们的方法的有效性,并提供了开源实现、预训练模型和数据集。
Jun, 2024
本研究论文介绍了一种新颖的模型,将知识图谱中的实体和关系编码为低维向量空间,并将上下文信息和字面信息融入到实体和关系嵌入中,使用图卷积网络进行建模,通过置信度和相关性度量评估上下文信息的重要性,并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。
Dec, 2023
通过使用知识图谱方法和协同过滤技术,我们的研究提出了一种可以生成客观描述的推荐解释的方法,该方法结合了用户购买历史和物品特征,为用户提供与其偏好相匹配的个性化解释,实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。
Aug, 2023
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
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。
Nov, 2018
本研究提出了一种图注意力神经网络模型,结合了用户、物品、属性和句子,用于基于抽取的解释的推荐系统,解决了现有解决方案在轻松感知、可靠性和个性化方面的不足之处。在两个基准评论数据集上的广泛实证评估表明了所提出解决方案的生成质量。
Feb, 2022
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
Jul, 2023