KGAT: Knowledge Graph Attention Network für Empfehlungen

Um genaue, vielfältige und erklärbare Empfehlungen zu liefern, ist es notwendig, über die Modellierung von Nutzer-Element-Interaktionen hinauszugehen und Nebeninformationen zu berücksichtigen. Traditionelle Methoden wie Faktorisierungs-Maschinen (FM) formulieren dies als ein überwachtes Lernproblem, das jede Interaktion als eine unabhängige Instanz mit kodierten Nebeninformationen annimmt. Aufgrund der Vernachlässigung der Beziehungen zwischen Instanzen oder Elementen (z.B., dass der Regisseur eines Films auch Schauspieler eines anderen Films ist), sind diese Methoden unzureichend, um das kollaborative Signal aus den kollektiven Verhaltensweisen der Nutzer zu extrahieren. In dieser Arbeit untersuchen wir die Nützlichkeit von Wissensgraphen (KG), die die Annahme unabhängiger Interaktionen durch das Verknüpfen von Elementen mit ihren Attributen aufheben. Wir argumentieren, dass in einer solchen hybriden Struktur von Wissensgraph und Nutzer-Element-Graph hochwertige Beziehungen – die zwei Elemente durch ein oder mehrere verknüpfte Attribute verbinden – ein wesentlicher Faktor für erfolgreiche Empfehlungen sind. Wir schlagen eine neue Methode namens Knowledge Graph Attention Network (KGAT) vor, die die hochwertigen Verbindlichkeiten in einem Wissensgraph explizit in einem end-to-end-Ansatz modelliert. Diese Methode verbreitet rekursiv die Einbettungen von einem Knotenpunkt zu seinen Nachbarn (die Nutzer, Elemente oder Attribute sein können), um die Einbettung des Knotenpunkts zu verfeinern, und verwendet einen Aufmerksamkeitsmechanismus, um die Bedeutung der Nachbarn zu differenzieren. Unser KGAT bietet konzeptionelle Vorteile gegenüber bestehenden Wissensgraph-basierten Empfehlungsmethoden, die entweder hochwertige Beziehungen durch Pfadextraktion nutzen oder sie implizit durch Regularisierung modellieren. Empirische Ergebnisse auf drei öffentlichen Benchmarks zeigen, dass KGAT signifikant bessere Leistungen als state-of-the-art-Methoden wie Neural FM und RippleNet erzielt. Weitere Studien bestätigen die Effektivität der Einbettungsverbreitung für das Modellieren hochwertiger Beziehungen sowie die Interpretierbarkeitseinsparungen, die durch den Aufmerksamkeitsmechanismus gebracht werden.