Apr, 2024

知识图谱对推荐系统是否确实重要？

PDF
TL;DR推荐系统中使用知识图谱提高推荐准确性的效果被质疑，本研究提出了一个评估框架 KG4RecEval，通过 KGER 指标系统评估基于知识图谱的推荐系统在推荐准确性上的贡献，并发现知识的删除、随机扭曲或减少不一定会降低推荐的准确性，甚至对于冷启动用户也是如此。这些发现促使我们重新思考如何更好地利用现有知识图谱，研究了数据集和基于知识图谱的推荐系统的特征可能有助于提高知识图谱的利用效率。
发现论文，激发创造
  • 知识图谱上的深度学习在推荐系统中的应用：综述

    本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向，重点讨论了核心组件 —— 图嵌入模块，以及它们如何解决实际推荐问题，例如规模扩展，冷启动等，并总结了常用的基准数据集、评估指标和开源代码。

    Mar, 2020

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    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

  • 基于知识图谱的推荐系统综述

    本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

    Feb, 2020

  • 知识图谱修剪用于推荐

    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

  • 统一知识图谱学习和推荐：走向更好的用户偏好理解

    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

  • 基于知识图谱嵌入的个性化推荐系统

    本研究通过将知识图谱嵌入汽车购买 / 销售领域，旨在构建个性化推荐系统，并通过实验证明所提出的方法能够提供与个体用户一致的相关推荐。

    Jul, 2023

  • 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

  • DSKReG：可微分的知识图谱采样与关系图神经网络推荐

    本文提出了基于知识图谱的可区分采样技术（DSKReG），用于解决推荐系统中的冷启动问题，并在实验中证明了其优于现有技术的表现。

    Aug, 2021

  • Poincaré 球中基于知识增强的 Top-K 推荐

    本文中介绍了一种基于超螺旋空间的个性化推荐模型，其中使用了知识图谱、超螺旋空间和自适应的正则化机制，通过在三个真实数据集上的实验表明，相较于最先进的现有模型，该模型在 NDCG@K 上的推荐效果提高了 2-16%。

    Jan, 2021

  • 基于知识图谱与复杂网络度量的出人意料推荐模型

    本研究在已有的推荐系统基础上，提出了一种基于知识图谱的推荐系统，通过编码用户对物品目录的交互来评估并增加推荐的出人意料程度。实验结果表明，基于复杂网络度量重新排序物品可以产生更出人意料和令人惊喜的推荐列表。

    May, 2024