具有标签平滑正则化的知识感知图神经网络在推荐系统中的应用

知识图谱捕捉了一组实体或项目之间的结构化信息和关系。因此，知识图谱成为了一个有吸引力的信息来源，有助于改进推荐系统。然而，现有方法依赖于手动特征工程，并且不允许端到端训练。本文提出了一种基于知识感知的图神经网络并结合标签平滑正则化（KGNN-LS）的方法，以提供更好的推荐结果。从概念上讲，我们的方法首先应用一个可训练的函数来识别给定用户的重要知识图谱关系，从而将知识图谱转换为特定用户的加权图。然后，我们利用图神经网络计算个性化的项目嵌入向量。为了提供更好的归纳偏置，我们依赖于标签平滑假设，该假设认为在知识图谱中相邻的项目可能具有相似的用户相关性标签/评分。标签平滑对边权重进行了正则化处理，并且我们证明了它等价于在图上的标签传播方案。此外，我们还开发了一种高效的实现方法，该方法在面对大规模知识图谱时表现出强大的可扩展性。我们在四个数据集上的实验表明，我们的方法优于现有的最先进基线模型。在冷启动场景下（即用户-项目交互稀疏的情况下），KGNN-LS同样表现出色。