Wissensgraph-basierte Konvolutionale Netzwerke für Empfehlungssysteme

Um das Problem der Sparsamkeit und des kalten Starts bei kollaborativen Filterverfahren basierter Empfehlungssysteme zu lindern, sammeln Forscher und Ingenieure in der Regel Attribute von Benutzern und Elementen und entwerfen fein abgestimmte Algorithmen, um diese zusätzlichen Informationen zu nutzen. Im Allgemeinen sind die Attribute nicht isoliert, sondern miteinander verbunden, was ein Wissensgraph (Knowledge Graph, KG) bildet. In dieser Arbeit schlagen wir Knowledge Graph Convolutional Networks (KGCN) vor, einen end-to-end-Framework, der die Zusammenhänge zwischen den Elementen effektiv erfasst, indem er ihre assoziierten Attribute im Wissensgraph auswertet. Um sowohl hochrangige Strukturinformationen als auch semantische Informationen des Wissensgraphen automatisch zu entdecken, ziehen wir für jedes Entität im Wissensgraph Stichproben aus den Nachbarn als deren Rezeptionsfeld. Bei der Berechnung der Darstellung einer gegebenen Entität wird dann die Nachbarschaftsinformation mit einem Bias kombiniert. Das Rezeptionsfeld kann auf mehrere Hops erweitert werden, um hochrangige Proximitätswerte zu modellieren und potenzielle langfristige Interessen der Benutzer zu erfassen. Darüber hinaus implementieren wir das vorgeschlagene KGCN in einem Minibatch-Verfahren, was es unserem Modell ermöglicht, große Datensätze und Wissensgraphen zu verarbeiten. Wir wenden das vorgeschlagene Modell auf drei Datensätze an, die sich mit Filmen, Büchern und Musikempfehlungen befassen, und die Experimentsergebnisse zeigen, dass unser Ansatz starke Baseline-Empfehlungssysteme übertrifft.