KGAT : Réseau d'attention basé sur le graphe de connaissances pour les recommandations

Pour fournir des recommandations plus précises, diversifiées et explicables, il est impératif de dépasser la modélisation des interactions utilisateur-élément et de prendre en compte les informations annexes. Les méthodes traditionnelles comme la machine à factorisation (FM) l'abordent comme un problème d'apprentissage supervisé, qui suppose que chaque interaction est une instance indépendante avec des informations annexes codées. En raison de l'ignorance des relations entre les instances ou les éléments (par exemple, le réalisateur d'un film est également acteur dans un autre film), ces méthodes sont insuffisantes pour extraire le signal collaboratif des comportements collectifs des utilisateurs. Dans cette étude, nous examinons l'utilité du graphe de connaissances (KG), qui rompt l'hypothèse d'interaction indépendante en reliant les éléments à leurs attributs. Nous soutenons que dans une telle structure hybride de KG et de graphe utilisateur-élément, les relations d'ordre supérieur --- qui relient deux éléments par un ou plusieurs attributs liés --- sont un facteur essentiel pour une recommandation réussie. Nous proposons une nouvelle méthode nommée Réseau d'Attention basé sur le Graphe de Connaissances (KGAT) qui modélise explicitement les connectivités d'ordre supérieur dans le KG de manière intégrée. Cette méthode propage récursivement les plongements depuis les voisins d'un nœud (qui peuvent être des utilisateurs, des éléments ou des attributs) pour affiner le plongement du nœud, et utilise un mécanisme d'attention pour différencier l'importance des voisins. Notre approche KGAT présente un avantage conceptuel par rapport aux méthodes existantes basées sur le KG, qui exploitent soit les relations d'ordre supérieur en extrayant des chemins, soit en les modélisant implicitement avec une régularisation. Les résultats empiriques sur trois jeux de données de référence publics montrent que KGAT surpasse significativement les méthodes de pointe telles que Neural FM et RippleNet. Des études supplémentaires vérifient l'efficacité de la propagation des plongements pour la modélisation des relations d'ordre supérieur ainsi que les avantages interprétatifs apportés par le mécanisme d'attention.