多任务特征学习在知识图谱增强推荐中的应用

协同过滤在实际推荐场景中经常面临稀疏性和冷启动问题，因此，研究人员和工程师通常利用辅助信息来解决这些问题并提高推荐系统的性能。本文将知识图谱视为辅助信息的来源，提出了一种基于知识图谱增强的多任务特征学习方法——MKR（Multi-task feature learning approach for Knowledge graph enhanced Recommendation）。MKR 是一个深度端到端框架，通过知识图谱嵌入任务来辅助推荐任务。这两个任务通过交叉压缩单元（cross&compress units）关联起来，这些单元自动共享潜在特征并学习推荐系统中项目与知识图谱中实体之间的高阶交互。我们证明了交叉压缩单元具有足够的多项式逼近能力，并展示了 MKR 是一种泛化的框架，涵盖了若干代表性推荐系统和多任务学习方法。通过在真实世界数据集上的广泛实验，我们证明了 MKR 在电影、图书、音乐和新闻推荐方面相对于现有最先进基线方法取得了显著的性能提升。此外，即使用户-项目交互数据非常稀疏，MKR 仍能保持良好的性能。