可解释推荐的增强知识图谱推理

SIGIRJun, 2019

Reinforcement Knowledge Graph Reasoning for Explainable Recommendation

Yikun Xian, Zuohui Fu, S. Muthukrishnan, Gerard de Melo, Yongfeng Zhang

TL;DR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。

Abstract

Recent advances in personalized recommendation have sparked great interest in the exploitation of rich structured information provided by knowledge graphs. Unlike most existing approaches that only focus on lever

personalized recommendation knowledge graphs causal inference reinforcement learning policy-guided graph search algorithm

发现论文，激发创造

可解释推理知识图谱推荐

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

利用自动生成的知识图谱和强化学习技术增强推荐系统

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

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

开放知识图谱推理的协作策略学习

本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。