Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation

要約

ナレッジ グラフ (KG) には豊富なセマンティック情報が含まれているため、最近、KG によって強化された推奨手法が流入しています。
既存の手法のほとんどは、曲率を考慮せずに完全にユークリッド空間に基づいて設計されています。
しかし、最近の研究では、膨大なグラフ構造のデータが高度に非ユークリッド特性を示すことが明らかになりました。
これらの観察に動機付けられて、この研究では、推奨のための知識ベースの複数の適応空間融合方法、すなわち MCKG を提案します。
特定の多様体のみを採用する既存の手法とは異なり、双曲空間、ユークリッド空間、球面空間と互換性のある統一空間を導入します。
さらに、複数の統一空間を注意を払って融合し、より良い知識伝播のための高品質な埋め込みを取得します。
さらに、双曲空間と球面空間の両方から恩恵を受けるプルプロセスとプッシュプロセスを可能にする、ジオメトリを意識した最適化戦略を提案します。
具体的には、双曲空間では、原点に近い領域に小さなマージンを設定します。これは、類似性の高い肯定的なアイテムと否定的なアイテムを区別するのに役立ちます。
同時に、モデルに十分な誤差許容度があることを保証するために、原点から遠い領域ではより大きなマージンを設定します。
同様の方法が球状空間にも当てはまります。
3 つの現実世界のデータセットに対する広範な実験により、MCKG が最先端のレコメンデーション手法に比べて大幅に改善されていることが実証されました。
さらなるアブレーション実験により、多空間融合と幾何学を意識した最適化戦略の重要性が検証され、MCKG の合理性と有効性が正当化されました。

要約(オリジナル)

Since Knowledge Graphs (KGs) contain rich semantic information, recently there has been an influx of KG-enhanced recommendation methods. Most of existing methods are entirely designed based on euclidean space without considering curvature. However, recent studies have revealed that a tremendous graph-structured data exhibits highly non-euclidean properties. Motivated by these observations, in this work, we propose a knowledge-based multiple adaptive spaces fusion method for recommendation, namely MCKG. Unlike existing methods that solely adopt a specific manifold, we introduce the unified space that is compatible with hyperbolic, euclidean and spherical spaces. Furthermore, we fuse the multiple unified spaces in an attention manner to obtain the high-quality embeddings for better knowledge propagation. In addition, we propose a geometry-aware optimization strategy which enables the pull and push processes benefited from both hyperbolic and spherical spaces. Specifically, in hyperbolic space, we set smaller margins in the area near to the origin, which is conducive to distinguishing between highly similar positive items and negative ones. At the same time, we set larger margins in the area far from the origin to ensure the model has sufficient error tolerance. The similar manner also applies to spherical spaces. Extensive experiments on three real-world datasets demonstrate that the MCKG has a significant improvement over state-of-the-art recommendation methods. Further ablation experiments verify the importance of multi-space fusion and geometry-aware optimization strategy, justifying the rationality and effectiveness of MCKG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google