Neuro-Symbolic Recommendation Model based on Logic Query

要約

レコメンデーション システムは、ユーザーが自分に関連するアイテムを見つけるのを支援します。
既存のレコメンデーション モデルは主にユーザーとアイテム間の関係の予測に基づいており、複雑なマッチング モデルを使用するか、広範な外部情報を組み込んでデータ内の関連パターンをキャプチャします。
ただし、推奨はデータを使用した帰納統計の問題だけではありません。
それは、情報から抽出された知識に基づいて意思決定を推論する認知的なタスクでもあります。
したがって、推奨タスクの推論には論理システムを自然に組み込むことができます。
ただし、論理システムに基づくハードルールのアプローチは強力な推論能力を提供できますが、現実世界のタスク、特に推奨などの複雑なタスクでは、一貫性のない不完全な知識に対処するのに苦労します。
そこで本論文では、ユーザ履歴インタラクションを論理式に変換し、この論理式に基づいて推奨予測をクエリタスクに変換するニューロシンボリック推奨モデルを提案する。
次に、ニューラル ネットワークのモジュール論理演算に基づいて論理式が計算されます。
また、論理計算の複雑さを合理的に軽減するために、暗黙的な論理エンコーダーも構築します。
最後に、計算結果に基づいて、ユーザーの関心のある項目をベクトル空間でクエリできます。
3 つのよく知られたデータセットでの実験により、最先端の浅いモデル、深いモデル、セッション モデル、および推論モデルと比較して、私たちの方法がより優れたパフォーマンスを発揮することが検証されました。

要約(オリジナル)

A recommendation system assists users in finding items that are relevant to them. Existing recommendation models are primarily based on predicting relationships between users and items and use complex matching models or incorporate extensive external information to capture association patterns in data. However, recommendation is not only a problem of inductive statistics using data; it is also a cognitive task of reasoning decisions based on knowledge extracted from information. Hence, a logic system could naturally be incorporated for the reasoning in a recommendation task. However, although hard-rule approaches based on logic systems can provide powerful reasoning ability, they struggle to cope with inconsistent and incomplete knowledge in real-world tasks, especially for complex tasks such as recommendation. Therefore, in this paper, we propose a neuro-symbolic recommendation model, which transforms the user history interactions into a logic expression and then transforms the recommendation prediction into a query task based on this logic expression. The logic expressions are then computed based on the modular logic operations of the neural network. We also construct an implicit logic encoder to reasonably reduce the complexity of the logic computation. Finally, a user’s interest items can be queried in the vector space based on the computation results. Experiments on three well-known datasets verified that our method performs better compared to state of the art shallow, deep, session, and reasoning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google