【WSDM2021】通过知识图谱上的伪标记缓解推荐中的冷启动问题

解决冷启动问题对于为新用户和新项目提供有意义的推荐结果是必不可少的。在稀疏观察数据下，未观察到的用户物品对也是提取潜在用户信息需求的重要来源。目前的研究大多利用未观察到的样本来提取负信号。然而，这种优化策略可能会导致对已经受欢迎的项目的偏见结果，因为它会频繁地将新项目作为负面实例处理。在本研究中，我们通过适当利用未观察到的样本来解决新用户/物品的冷启动问题。我们提出了一种基于图神经网络的知识图谱感知推荐器，该推荐器通过伪标注来增加标注样本。我们的方法积极地使用未观察到的样本作为积极的实例。为了避免对所有可能的用户和项目进行详尽的标签分配，我们利用KG为每个用户选择可能为正的项目。我们还采用了改进的负抽样策略，从而抑制受欢迎偏见的加剧。通过实验，我们证明了在各种场景下，我们的方法比最先进的KG感知推荐器都有改进; 特别是，我们的方法成功地改善了冷启动用户/项目的推荐性能。