Properly handling missing data is a fundamental challenge in recommendation. Most present works perform negative sampling from unobserved data to supply the training of recommender models with negative signals. Nevertheless, existing negative sampling strategies, either static or adaptive ones, are insufficient to yield high-quality negative samples --- both informative to model training and reflective of user real needs. In this work, we hypothesize that item knowledge graph (KG), which provides rich relations among items and KG entities, could be useful to infer informative and factual negative samples. Towards this end, we develop a new negative sampling model, Knowledge Graph Policy Network (KGPolicy), which works as a reinforcement learning agent to explore high-quality negatives. Specifically, by conducting our designed exploration operations, it navigates from the target positive interaction, adaptively receives knowledge-aware negative signals, and ultimately yields a potential negative item to train the recommender. We tested on a matrix factorization (MF) model equipped with KGPolicy, and it achieves significant improvements over both state-of-the-art sampling methods like DNS and IRGAN, and KG-enhanced recommender models like KGAT. Further analyses from different angles provide insights of knowledge-aware sampling. We release the codes and datasets at https://github.com/xiangwang1223/kgpolicy.


翻译:正确处理缺失的数据是建议方面的一个基本挑战。多数目前的工作都从未观察的数据中进行负面抽样,以提供负面信号来培训建议者模型;然而,现有的消极抽样战略,无论是静态还是适应性战略,都不足以产生高质量的负面样本 -- -- 信息丰富,可以进行模拟培训,反映用户的实际需求。在这项工作中,我们假设提供各项目和KG实体之间丰富关系的物品知识图(KG)可能有益于推断信息性和事实负面样本。为此,我们开发了新的负面抽样模型,即知识图表政策网(KGPolicy),作为强化学习工具,探索高质量的负面数据。具体来说,通过开展我们设计的勘探行动,它从目标的积极互动中导航,适应性地接收知识认知负面信号,并最终产生潜在负面项目来培训建议者。我们测试了一个配有KGPL政策模型的矩阵化(MF)模型,并在诸如DNS和IRGAN以及KG-enchanceed 等州级抽样方法方面都取得了显著的改进。我们从KAAT/Sangximing sexionals exional developments。

17
下载
关闭预览

相关内容

最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Hierarchically Structured Meta-learning
CreateAMind
24+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【论文】图上的表示学习综述
机器学习研究会
13+阅读 · 2017年9月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
8+阅读 · 2019年5月20日
VIP会员
相关VIP内容
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Top
微信扫码咨询专知VIP会员