Ekar：一种可解释的知识感知推荐方法

本文研究了基于知识图谱的推荐系统，该系统能够有效解决数据稀疏性和冷启动问题。近年来，针对这一问题开发了多种方法，这些方法通常尝试学习用户和项目的有效表示，并根据这些表示将项目匹配给用户。尽管这些方法已被证明非常有效，但它们缺乏良好的解释性，而解释性对于推荐系统至关重要。在本文中，我们采取了一种不同的方法，提出通过从用户到项目寻找有意义的路径来生成推荐。具体而言，我们将问题表述为一个顺序决策过程，在该过程中，目标用户被定义为初始状态，图中的边被定义为动作。我们根据现有的最先进方法来设计奖励机制，并使用策略梯度方法训练策略函数。在三个真实世界数据集上的实验结果表明，我们提出的方法不仅提供了有效的推荐，还具有良好的解释性。