May, 2024

知识图谱修剪用于推荐

PDF
TL;DR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。
knowledge graph based recommendation systemcomputational costknowledge explosionkgtrimmergraph neural network
发现论文，激发创造
  • 知识图谱对比学习用于推荐

    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

  • 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

  • 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

  • 知识图谱对推荐系统是否确实重要？

    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。

    Apr, 2024

  • 知识图谱卷积网络用于推荐系统

    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

  • 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

  • PipeNet：基于语义修剪的知识图谱问答

    通过引入显式的知识图谱可以改善问答系统，本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率，并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。

    Jan, 2024

  • 使用双曲几何建模无标度图以实现知识感知推荐

    本文提出了一种基于超几何知识增强图卷积网络的知识感知推荐方法，用于解决传统推荐系统中数据稀疏和冷启动问题，通过将知识图谱与用户 - 项目交互进行统一构建三元图来建模，采用不同的信息传播策略在超 bolic 空间中显式地编码异质信息，实现信息的协同聚合，并在三个真实数据集上进行了广泛实验证明，提出的方法优于现有最新方法，可以在 Top-K 推荐中提高 3.6-15.3％的召回率。

    Aug, 2021

  • 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

  • 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