Unification de l'apprentissage des graphes de connaissances et des recommandations : Vers une meilleure compréhension des préférences des utilisateurs

L'intégration d'un graphe de connaissances (KG) dans un système de recommandation est prometteuse pour améliorer la précision et l'explicabilité des recommandations. Cependant, les méthodes existantes supposent en grande partie qu'un KG est complet et transfèrent simplement les « connaissances » du KG au niveau superficiel des données brutes ou des plongements d'entités. Ceci peut entraîner une performance sous-optimale, car un KG pratique est rarement complet, et il est courant que des faits, relations et entités manquent dans le KG. Par conséquent, nous soutenons qu'il est crucial de prendre en compte la nature incomplète du KG lors de son intégration dans un système de recommandation.Dans cet article, nous apprenons conjointement le modèle de recommandation et le modèle de complétion de graphe de connaissances. Contrairement aux méthodes précédentes basées sur le KG, nous transférons les informations relationnelles du KG afin de comprendre les raisons pour lesquelles un utilisateur aime un élément. Par exemple, si un utilisateur a regardé plusieurs films réalisés par (relation) la même personne (entité), nous pouvons inférer que la relation de réalisation joue un rôle critique dans la décision de l'utilisateur, ce qui aide à comprendre les préférences de l'utilisateur avec une granularité plus fine.Techniquement, nous contribuons à un nouveau modèle de recommandation basé sur la traduction, qui prend spécifiquement en compte diverses préférences lors de la traduction d'un utilisateur vers un élément, puis nous l'entraînons conjointement avec un modèle de complétion de KG en combinant plusieurs schémas de transfert. Des expériences approfondies sur deux jeux de données基准数据集 (benchmark datasets) montrent que notre méthode surpasses les méthodes actuelles basées sur le KG pour la recommandation. Une analyse supplémentaire vérifie l'effet positif du entraînement conjoint sur les tâches de recommandation et de complétion du KG, ainsi que l'avantage de notre modèle pour comprendre les préférences des utilisateurs. Nous publions notre projet à https://github.com/TaoMiner/joint-kg-recommender.Note: "基准数据集" is not commonly used in French academic writing; I have provided its English equivalent in parentheses to ensure clarity. If you prefer a more French term or explanation for this concept, please let me know!