Knowledge-Enhanced Recommendation with User-Centric Subgraph Network

要約

レコメンデーション システムは、現在さまざまなプラットフォームで広く実装されており、ユーザーの好みに基づいて関連アイテムをユーザーに推奨します。
ユーザーとアイテムのインタラクション マトリックスに依存する従来の方法には、特に新しいアイテムのインタラクション データが不足しているシナリオでは制限があります。
ナレッジ グラフ (KG) ベースのレコメンデーション システムが、有望なソリューションとして浮上しています。
ただし、ほとんどの KG ベースの方法ではノードの埋め込みが採用されており、さまざまなユーザーにパーソナライズされた推奨事項が提供されず、新しいアイテムにうまく一般化できません。
これらの制限に対処するために、効果的な推奨を実現するためのグラフ ニューラル ネットワーク (GNN) を使用したサブグラフ学習アプローチである、知識強化ユーザー中心サブグラフ ネットワーク (KUCNet) を提案します。
KUCNet は、ユーザーとアイテムのインタラクションの履歴情報と KG で提供されるサイド情報の両方をキャプチャするユーザーとアイテムのペアごとに U-I サブグラフを構築します。
アテンションベースの GNN は、推奨のために U-I サブグラフをエンコードするように設計されています。
効率を考慮して、プルーニングされたユーザー中心の計算グラフがさらに導入され、複数の U-I サブグラフを同時に計算でき、サイズは Personalized PageRank によってプルーニングできます。
私たちが提案する方法は、特に新しいアイテムについて、正確で効率的で解釈可能な推奨を実現します。
実験結果は、最先端の KG ベースおよび協調フィルタリング (CF) ベースの方法に対する KUCNet の優位性を示しています。

要約(オリジナル)

Recommendation systems, as widely implemented nowadays on various platforms, recommend relevant items to users based on their preferences. The classical methods which rely on user-item interaction matrices has limitations, especially in scenarios where there is a lack of interaction data for new items. Knowledge graph (KG)-based recommendation systems have emerged as a promising solution. However, most KG-based methods adopt node embeddings, which do not provide personalized recommendations for different users and cannot generalize well to the new items. To address these limitations, we propose Knowledge-enhanced User-Centric subgraph Network (KUCNet), a subgraph learning approach with graph neural network (GNN) for effective recommendation. KUCNet constructs a U-I subgraph for each user-item pair that captures both the historical information of user-item interactions and the side information provided in KG. An attention-based GNN is designed to encode the U-I subgraphs for recommendation. Considering efficiency, the pruned user-centric computation graph is further introduced such that multiple U-I subgraphs can be simultaneously computed and that the size can be pruned by Personalized PageRank. Our proposed method achieves accurate, efficient, and interpretable recommendations especially for new items. Experimental results demonstrate the superiority of KUCNet over state-of-the-art KG-based and collaborative filtering (CF)-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google