지식 인식 그래프 신경망과 라벨 부드러움 규제를 활용한 추천 시스템

지식 그래프는 엔티티나 항목 간의 구조화된 정보와 관계를 포착합니다. 따라서 지식 그래프는 추천 시스템을 개선하는 데 도움이 될 수 있는 매력적인 정보 출처로 여겨집니다. 그러나 이 분야의 기존 접근 방식은 수작업 특성 공학에 의존하며, 엔드투엔드 학습을 허용하지 않습니다. 본 연구에서는 더 나은 추천을 제공하기 위해 라벨 부드러움 정규화(LS)를 적용한 지식 인지 그래프 신경망(KGNN-LS)을 제안합니다.개념적으로, 우리의 접근 방식은 먼저 주어진 사용자에 대해 중요한 지식 그래프 관계를 식별하는 학습 가능한 함수를 적용하여 사용자 특화된 항목 임베딩을 계산합니다. 이를 통해 지식 그래프를 사용자 특화된 가중 그래프로 변환하고, 그 다음에 그래프 신경망을 적용하여 개인화된 항목 임베딩을 계산합니다. 더 나은 귀납적 편향을 제공하기 위해, 우리는 인접 항목들이 유사한 사용자 관련성 라벨/점수를 가질 가능성이 높다는 가정인 라벨 부드러움 가정에 의존합니다. 라벨 부드러움은 엣지 가중치에 대한 정규화를 제공하며, 우리는 이것이 그래프에서의 라벨 전파 방식과 동등하다는 것을 증명하였습니다.또한, 지식 그래프 크기에 따라 강력한 확장성을 보이는 효율적인 구현 방법도 개발하였습니다. 네 가지 데이터셋에서 수행된 실험 결과, 우리의 방법이 최신 기준 모델들을 능가함을 확인할 수 있었습니다. 또한 사용자-항목 상호작용이 희박한 콜드 스타트 시나리오에서도 KGNN-LS는 우수한 성능을 보입니다.