Réseaux Neuronaux Graphiques Connaissant les Connaissances avec une Régularisation de Lissage des Étiquettes pour les Systèmes de Recommandation

Les graphes de connaissances captent des informations structurées et des relations entre un ensemble d'entités ou d'éléments. Par conséquent, les graphes de connaissances représentent une source d'information attrayante qui pourrait aider à améliorer les systèmes de recommandation. Cependant, les approches existantes dans ce domaine reposent sur l'ingénierie manuelle des caractéristiques et ne permettent pas une formation de bout en bout. Nous proposons ici les réseaux neuronaux graphiques avec régularisation par lissage des étiquettes (KGNN-LS) pour fournir de meilleures recommandations. Conceptuellement, notre approche calcule des plongements (embeddings) spécifiques aux utilisateurs en appliquant d'abord une fonction apprenable qui identifie les relations importantes du graphe de connaissances pour un utilisateur donné. Ainsi, nous transformons le graphe de connaissances en un graphe pondéré spécifique à l'utilisateur, puis nous appliquons un réseau neuronal graphique pour calculer des plongements personnalisés d'éléments. Pour fournir un biais inductif plus efficace, nous nous appuyons sur l'hypothèse de lissage des étiquettes, qui suppose que les éléments adjacents dans le graphe de connaissances sont susceptibles d'avoir des étiquettes/scores pertinents similaires pour l'utilisateur. Le lissage des étiquettes fournit une régularisation sur les poids des arêtes, et nous démontrons qu'il est équivalent à un schéma de propagation des étiquettes sur un graphe. Nous avons également développé une implémentation efficace qui montre une forte évolutivité en fonction de la taille du graphe de connaissances. Des expériences menées sur quatre jeux de données montrent que notre méthode surpassent les méthodes baselines de pointe. Le KGNN-LS obtient également d'excellents résultats dans les scénarios cold-start où les interactions utilisateur-élément sont rares.