摘要
本文研究了基于图的推荐系统，其中通过历史记录构建了一个交互图，并利用该图来缓解数据稀疏性和冷启动问题。我们揭示了现有基于图的模型中存在的早期总结问题，并提出了一种称为邻域交互（Neighborhood Interaction, NI）的模型，以独特地捕捉每个用户侧和项目侧之间的邻居对。NI 模型更具表现力，能够捕捉用户-项目交互背后的更复杂结构模式。为了进一步丰富节点连接并利用高阶结构信息，我们在 NI 模型中引入了额外的知识图谱（Knowledge Graphs, KGs），并采用了图神经网络（Graph Neural Networks, GNNs），称为知识增强邻域交互（Knowledge-enhanced Neighborhood Interaction, KNI）。与最先进的推荐方法相比，例如基于特征、基于元路径和基于知识图谱的模型，我们的 KNI 在点击率预测方面取得了显著的性能提升（绝对 AUC 改进为 1.1%-8.4%），并在 4 个真实世界数据集上的 top-N 推荐任务中表现出明显的优势。