要約
協調フィルタリングに基づく推薦システムのスパarsity（疎性）とコールドスタート問題を緩和するために、研究者やエンジニアは通常、ユーザーとアイテムの属性を収集し、これらの追加情報を活用するための巧妙なアルゴリズムを設計しています。一般的に、これらの属性は孤立しているのではなく互いに関連しており、これが知識グラフ（Knowledge Graph: KG）を形成します。本論文では、アイテム間の関連性を効果的に捉えるためにKG上の関連属性を掘り下げるフレームワークであるKnowledge Graph Convolutional Networks (KGCN) を提案します。KGの高次構造情報と意味情報の両方を自動的に発見するために、KG内の各エンティティに対してその近傍からサンプリングを行い、それらを受容野として使用します。その後、与えられたエンティティの表現を計算する際に近傍情報をバイアスと組み合わせます。この受容野は複数ホップ先まで拡張でき、高次の近接情報をモデル化し、ユーザーの潜在的な遠隔の興味を捉えることができます。さらに、提案したKGCNはミニバッチ方式で実装されており、これにより我々のモデルは大規模データセットやKGに対応できます。我々は提案したモデルを映画、書籍、音楽推薦に関する3つのデータセットに適用し、実験結果は当手法が強力な推薦基準モデルを超える性能を示すことを証明しています。