知识图谱自监督理性化推荐
通过引入知识图谱的图卷积神经网络模型加入历史交互数据,再通过协作引导机制提取知识图谱信息实现个性化推荐,实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。
Sep, 2021
提出了一种知识图谱对比学习的框架 (KGCL),该框架通过知识图谱增强模式减少了噪声,利用交叉视图对比学习技术进一步抑制了噪声,实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。
May, 2022
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
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
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
我们提出了一种名为 KGTrimmer 的新颖方法,用于为推荐任务修剪知识图,以去除不必要的节点并最小化性能下降,通过从群体视图和整体视图的角度设计重要性评估器和端到端的有重要性的图神经网络,生成轻量、稳定和健壮的修剪后的知识图。
May, 2024
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
本文提出了一种基于图神经网络的两步推理模型(GNN2R),可以在只有问题 - 最终答案对的弱监督下高效地提供最终答案和推理子图作为最终答案背后的理由,从而解决了知识图谱中基于多跳问题回答的解释生成问题。该模型在实验中表现出优于现有最先进方法的效果、效率和生成解释的质量。
Dec, 2023
本研究通过建立一种基于知识图谱的负采样模型,使用增强学习算法在用户互动中导航生成高质量的负样本,设计和验证了适用于推荐系统的负样本生成策略,并在测试中获得了显著的性能改进。
Mar, 2020