Wissensgraphen-Lernen und Empfehlung vereinen: Auf dem Weg zu einem besseren Verständnis der Nutzerpräferenzen
Die Integration von Wissensgraphen (KG) in Empfehlungssysteme verspricht eine Verbesserung der Empfehlungspräzision und Erklärbarkeit. Bestehende Methoden gehen jedoch weitgehend davon aus, dass ein Wissensgraph vollständig ist, und übertragen das „Wissen“ im Wissensgraph auf einer flachen Ebene von Rohdaten oder Einbettungen der Entitäten. Dies kann zu suboptimaler Leistung führen, da ein praktischer Wissensgraph selten vollständig ist und es häufig fehlende Fakten, Beziehungen und Entitäten gibt. Daher argumentieren wir, dass die unvollständige Natur des Wissensgraphen bei dessen Integration in Empfehlungssysteme berücksichtigt werden muss.In dieser Arbeit lernen wir das Modell der Empfehlung und die Vervollständigung des Wissensgraphen gemeinsam. Im Gegensatz zu früheren KG-basierten Empfehlungsmethoden übertragen wir die Beziehungsinformation im Wissensgraphen, um die Gründe zu verstehen, warum ein Benutzer ein bestimmtes Item mag. Als Beispiel: Wenn ein Benutzer mehrere Filme gesehen hat, die von (Beziehung) derselben Person (Entität) gedreht wurden, können wir schlussfolgern, dass die Regisseur-Beziehung eine entscheidende Rolle spielt, wenn der Benutzer seine Entscheidung trifft. Dies hilft dabei, die Präferenz des Benutzers auf einer feineren Granularität zu verstehen.Technisch leisten wir einen neuen translationsbasierten Empfehlungsansatz bei dem speziell verschiedene Präferenzen beim Übersetzen eines Benutzers in ein Item berücksichtigt werden. Anschließend trainieren wir dieses Modell gemeinsam mit einem KG-Vervollständigungsmodell durch Kombination verschiedener Transferverfahren. Ausführliche Experimente auf zwei Benchmark-Datensätzen zeigen, dass unsere Methode den state-of-the-art KG-basierten Empfehlungsmethoden überlegen ist. Eine weitere Analyse bestätigt den positiven Effekt des gemeinsamen Trainings sowohl für die Aufgabe der Empfehlung als auch für die Vervollständigung des Wissensgraphen und den Vorteil unseres Modells bei der Erfassung von Benutzerpräferenzen. Wir veröffentlichen unser Projekt unter https://github.com/TaoMiner/joint-kg-recommender.