Apprentissage d'embeddings de bases de connaissances hétérogènes pour des recommandations explicables

Fournir des explications générées par des modèles dans les systèmes de recommandation est crucial pour l'expérience utilisateur. Les algorithmes de recommandation les plus récents, en particulier ceux basés sur le filtrage collaboratif (FC) avec des modèles peu profonds ou profonds, fonctionnent généralement avec diverses sources d'information non structurées pour la recommandation, telles que des avis textuels, des images visuelles et divers types de feedback implicites ou explicites. Bien que les bases de connaissances structurées aient été prises en compte dans les approches basées sur le contenu, elles ont été largement négligées récemment en raison du focus de la recherche sur les approches FC. Cependant, les connaissances structurées présentent des avantages uniques dans les systèmes de recommandation personnalisée. Lorsque les connaissances explicites concernant les utilisateurs et les éléments sont considérées pour la recommandation, le système peut fournir des recommandations hautement personnalisées basées sur les comportements historiques des utilisateurs, et ces connaissances sont utiles pour fournir des explications éclairées concernant les éléments recommandés. Un grand défi pour l'utilisation de bases de connaissances à des fins de recommandation est d'intégrer des données structurées à grande échelle tout en profitant du filtrage collaboratif pour une performance très précise. Les récentes avancées dans l'embedding de bases de connaissances (KBE) apportent une lumière nouvelle sur ce problème, rendant possible l'apprentissage de représentations d'utilisateurs et d'éléments tout en préservant la structure de leurs relations avec la connaissance externe pour l'explication. Dans cette étude, nous proposons d'expliquer l'embedding de bases de connaissances pour une recommandation explicable. Plus précisément, nous proposons un cadre d'apprentissage de représentations basé sur une base de connaissances pour intégrer des entités hétérogènes à la recommandation, et à partir de cette base de connaissances intégrée, un algorithme d'appariement souple est proposé pour générer des explications personnalisées concernant les éléments recommandés. Les résultats expérimentaux sur des jeux de données e-commerce réels ont vérifié la supériorité des performances de recommandation et la puissance explicative de notre approche par rapport aux méthodes baselines les plus avancées.