Oct, 2020

CAFE: 基于粗粒度到细粒度的神经符号推理的可解释推荐

PDF
TL;DR该研究提出了一种 CAFE 神经符号推理方法和 PPR 路径推理算法，它们结合了知识图谱和用户行为分析，提高了电子商务推荐系统的性能和可解释性。实验表明，该方法在实际数据集中得到了有效提升。
knowledge graphse-commercerecommendation systemsneural symbolic reasoningpath-finding algorithm
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

  • 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

  • 带图形增强信息的神经符号推荐

    本文提出一种基于图神经网络和命题逻辑运算的神经符号推荐模型，结合了全局隐式推理能力和局部显式逻辑推理能力，可有效提高推荐系统的准确性。

    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

  • 神经协作推理

    本文提出了一种新的协作推荐系统框架，即协作推理 (CR)，将学习和推理融为一体。该框架通过一种神经模块化的形式，将符号推理操作嵌入到基于神经网络的模型中，将逻辑表达式等价地组织为神经网络，从而实现了在连续空间中进行逻辑推理和预测。实验证明，与现有的浅层、深层和推理模型相比，本文提出的框架具有更好的推荐性能。

    May, 2020

  • 寻找可解释的 MOOC 推荐路径：学习者角度

    一个使用图形推理的可解释推荐系统应用于在线学习领域的研究。

    Dec, 2023

  • 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

  • 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

  • 基于知识的自然语言推荐解释

    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

  • 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