Dynamic Knowledge Selector and Evaluator for recommendation with Knowledge Graph

要約

近年、推奨システムは通常、推奨フィールドでのグラフネットワークの高次接続の利点と組み合わされた知識グラフによって提供されるエッジ情報を使用します。
ただし、この方法はラベルのスパース性によって制限されており、グラフ構造を十分に学習できず、知識グラフ内の多数の騒々しいエンティティが推奨結果の精度に影響します。
上記の問題を軽減するために、知識グラフの情報を蒸留するために、共同信号によって導かれた動的な知識選択と評価方法を提案します。
具体的には、チェーンルート評価者を使用して、推奨タスクについてさまざまな近隣の貢献を評価し、知識セレクター戦略を採用して、評価する前にあまり有益でない知識をフィルタリングします。
3つのパブリックデータセットでベースラインモデルの比較と実験的アブレーション評価を実施します。
実験は、提案されているモデルが現在の最先端のベースラインモデルよりも優れていることを示しており、モデルの各モジュールがアブレーション実験を通じて実証されています。

要約(オリジナル)

In recent years recommendation systems typically employ the edge information provided by knowledge graphs combined with the advantages of high-order connectivity of graph networks in the recommendation field. However, this method is limited by the sparsity of labels, cannot learn the graph structure well, and a large number of noisy entities in the knowledge graph will affect the accuracy of the recommendation results. In order to alleviate the above problems, we propose a dynamic knowledge-selecting and evaluating method guided by collaborative signals to distill information in the knowledge graph. Specifically, we use a Chain Route Evaluator to evaluate the contributions of different neighborhoods for the recommendation task and employ a Knowledge Selector strategy to filter the less informative knowledge before evaluating. We conduct baseline model comparison and experimental ablation evaluations on three public datasets. The experiments demonstrate that our proposed model outperforms current state-of-the-art baseline models, and each modules effectiveness in our model is demonstrated through ablation experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google