基于知识图谱的上下文感知可解释推荐
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
该研究提出了一种知识感知的耦合图神经网络模型,用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题,实验结果表明该方法在多种情境下有效益。
Oct, 2021
该研究提出了一种名为 CGAT 的新型推荐框架,可以明确地利用实体在知识图中的本地和非本地图上下文信息,以实现个性化的推荐,这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文,并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系
Apr, 2020
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
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
基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息,并使用基于注意力机制的图神经网络对子图进行编码,提供了准确、高效、可解释的推荐特别是针对新物品的方法。实验结果表明 KUCNet 在基于知识图谱和协同过滤的方法上具有优势。
Mar, 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
本文提出一种基于上下文感知的图注意力模型 (Context-aware GAT),可以在知识聚合流程中有效地整合相关知识图的全局特征,并且优于传统基于图神经网络 (GNNs) 的语言框架。
May, 2023
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