Incorporating knowledge graph into recommender systems has attracted increasing attention in recent years. By exploring the interlinks within a knowledge graph, the connectivity between users and items can be discovered as paths, which provide rich and complementary information to user-item interactions. Such connectivity not only reveals the semantics of entities and relations, but also helps to comprehend a user's interest. However, existing efforts have not fully explored this connectivity to infer user preferences, especially in terms of modeling the sequential dependencies within and holistic semantics of a path. In this paper, we contribute a new model named Knowledge-aware Path Recurrent Network (KPRN) to exploit knowledge graph for recommendation. KPRN can generate path representations by composing the semantics of both entities and relations. By leveraging the sequential dependencies within a path, we allow effective reasoning on paths to infer the underlying rationale of a user-item interaction. Furthermore, we design a new weighted pooling operation to discriminate the strengths of different paths in connecting a user with an item, endowing our model with a certain level of explainability. We conduct extensive experiments on two datasets about movie and music, demonstrating significant improvements over state-of-the-art solutions Collaborative Knowledge Base Embedding and Neural Factorization Machine.


翻译:将知识图纳入建议者系统近年来引起了越来越多的注意。通过探索知识图内的相互联系,可以发现用户和项目之间的连接作为路径,为用户项目互动提供丰富和互补的信息。这种连接不仅揭示了实体的语义和关系,也有助于理解用户的兴趣。然而,现有的努力并未充分探索这种连接,以推断用户的偏好,特别是模拟某一路径的相继依赖性和整体语义。在本文中,我们贡献了一个名为知识认知路径经常网(KPRN)的新模型,以利用知识图作为建议。KPRN可以通过形成两个实体的语义和关系来生成路径图示。通过在一条路径中利用相继依赖关系,我们可以有效地推理出用户项目互动的基本原理。此外,我们设计了一种新的加权集中操作,以区别不同路径在将用户与某一路径连接时的优势,通过某种程度的解释性的模式。我们在两个数据库上进行了广泛的实验,介绍电影和音乐合作基础,展示了重大的改进。

11
下载
关闭预览

相关内容

【AAAI2020知识图谱论文概述】Knowledge Graphs @ AAAI 2020
专知会员服务
132+阅读 · 2020年2月13日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
100+阅读 · 2019年10月9日
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
Transferring Knowledge across Learning Processes
CreateAMind
26+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
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
推荐|深度强化学习聊天机器人(附论文)!
全球人工智能
4+阅读 · 2018年1月30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
12+阅读 · 2017年9月24日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
15+阅读 · 2018年4月5日
Arxiv
7+阅读 · 2018年1月31日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员