Knowledge Graph Context-Enhanced Diversified Recommendation

要約

レコメンダー システム (RecSys) の分野は、ユーザーの履歴インタラクションを活用して精度を高めるために広範囲に研究されてきました。
それにもかかわらず、この絶え間ない精度の追求は多様性の減少を頻繁に引き起こし、よく知られた「エコー チェンバー」現象に至ります。
多様性 RecSys はその対抗策として登場し、多様性を精度と同等に位置づけ、学界や業界関係者から注目を集めています。
この研究では、ナレッジ グラフ (KG) の複雑なコンテキスト内で多様な RecSys の領域を調査します。
これらの KG は、エンティティやアイテムに関する相互接続された情報のリポジトリとして機能し、洞察力に富んだコンテキスト情報の組み込みを通じて推奨の多様性を拡大するための有利な手段を提供します。
私たちの貢献には、KG ドメイン内の多様性を効果的に定量化する革新的な指標であるエンティティ カバレッジとリレーション カバレッジの導入が含まれます。
さらに、多様性に対する生来の認識を持つユーザー表現を定式化するように細心の注意を払って設計された、Diversified Embedding Learning (DEL) モジュールを導入します。
これと並行して、Conditional Alignment and Uniformity (CAU) という新しい手法を導入します。
コンテキストの整合性を維持しながら、KG アイテムの埋め込みを適切にエンコードします。
総合すると、私たちの貢献は、KG の情報に基づいた RecSys パラダイムの領域内で推奨事項の多様性のパノラマを拡大することに向けた大幅な進歩を意味します。

要約(オリジナル)

The field of Recommender Systems (RecSys) has been extensively studied to enhance accuracy by leveraging users’ historical interactions. Nonetheless, this persistent pursuit of accuracy frequently engenders diminished diversity, culminating in the well-recognized ‘echo chamber’ phenomenon. Diversified RecSys has emerged as a countermeasure, placing diversity on par with accuracy and garnering noteworthy attention from academic circles and industry practitioners. This research explores the realm of diversified RecSys within the intricate context of knowledge graphs (KG). These KGs act as repositories of interconnected information concerning entities and items, offering a propitious avenue to amplify recommendation diversity through the incorporation of insightful contextual information. Our contributions include introducing an innovative metric, Entity Coverage, and Relation Coverage, which effectively quantifies diversity within the KG domain. Additionally, we introduce the Diversified Embedding Learning (DEL) module, meticulously designed to formulate user representations that possess an innate awareness of diversity. In tandem with this, we introduce a novel technique named Conditional Alignment and Uniformity (CAU). It adeptly encodes KG item embeddings while preserving contextual integrity. Collectively, our contributions signify a substantial stride towards augmenting the panorama of recommendation diversity within the realm of KG-informed RecSys paradigms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google