摘要
将知识图谱（KG）融入推荐系统在提高推荐准确性和可解释性方面具有巨大潜力。然而，现有的方法大多假设知识图谱是完整的，仅在实体原始数据或嵌入的浅层水平上转移“知识”。这可能导致次优性能，因为实际的知识图谱很难做到完全完整，通常会存在缺失的事实、关系和实体。因此，我们认为在将知识图谱融入推荐系统时，必须考虑其不完整性。本文中，我们联合学习了推荐模型和知识图谱补全模型。与以往基于知识图谱的推荐方法不同，我们转移了知识图谱中的关系信息，以理解用户喜欢某个项目的原因。例如，如果一个用户观看了由同一位导演执导的几部电影（关系），我们可以推断出导演这一关系在用户做出决策时起着关键作用，从而帮助我们更细致地理解用户的偏好。从技术角度而言，我们贡献了一种新的基于翻译的推荐模型，该模型特别考虑了将用户转化为项目的各种偏好，并通过结合几种转移方案与知识图谱补全模型进行联合训练。我们在两个基准数据集上进行了广泛的实验，结果表明我们的方法优于最先进的基于知识图谱的推荐方法。进一步分析验证了联合训练对推荐任务和知识图谱补全任务的积极影响，以及我们的模型在理解用户偏好方面的优势。我们的项目已发布在 https://github.com/TaoMiner/joint-kg-recommender。