知識グラフ学習と推薦の統合：ユーザープレファレンスのより深い理解に向けて

知識グラフ（Knowledge Graph: KG）を推薦システムに組み込むことは、推薦の精度と説明性を向上させる有望な手段である。しかし、既存の手法は大抵KGが完全であるという前提に基づいており、単にKG内のエンティティの原始データや埋め込み（embeddings）を浅いレベルで「知識」転送しているに過ぎない。これは実際には最適な性能につながらない可能性がある。なぜなら、実用的なKGはほとんど完全ではなく、欠落した事実、関係、およびエンティティが存在することが一般的だからである。したがって、我々はKGを推薦システムに組み込む際にその不完全性を考慮することが重要であると主張する。本論文では、推薦モデルと知識グラフ補完モデルを共同学習する方法を提案する。従来のKGベースの推薦手法とは異なり、我々はKG内の関係情報を転送することで、ユーザーがアイテムを選択する理由を理解することを目指す。例えば、あるユーザーが同じ監督（関係）によって制作された複数の映画（エンティティ）を見た場合、そのユーザーが選択をする際に監督との関係が重要な役割を果たしていることを推測できる。これにより、ユーザーの好みをより細かい粒度で理解することが可能となる。技術的には、我々はユーザーからアイテムへの翻訳において様々な好みに対応する新しい翻訳ベースの推薦モデルを開発し、それをいくつかの転送スキームを組み合わせてKG補完モデルと共に共同訓練する。2つのベンチマークデータセットに対する広範な実験結果は、我々の手法が最先端のKGベースの推薦手法よりも優れていることを示している。さらに分析した結果、共同訓練が推薦タスクとKG補完タスク双方に対して肯定的な効果を持つことが確認され、また我々のモデルがユーザーの好みを理解する上で優位性を持っていることも明らかになった。本プロジェクトはhttps://github.com/TaoMiner/joint-kg-recommender で公開されている。