【WWW2021】神经协同推理

现有的协同过滤(CF)方法大多是基于匹配的思想设计的，即通过使用浅层或深层模型从数据中学习用户和项目嵌入，试图捕获数据中的关联关联模式，这样用户嵌入就可以通过设计或学习的相似函数与相关的物品嵌入相匹配。然而，推荐作为一种认知而非感知智能任务，不仅需要从数据中进行模式识别和匹配的能力，还需要对数据进行认知推理的能力。在本文中，我们将协同过滤(CF)提升为协同推理(CR)，即每个用户知道推理空间的一部分，并在空间中协作进行推理，以估计彼此的偏好。在技术上，我们提出了一个神经协作推理(NCR)框架来连接学习和推理。具体来说，我们整合了表示学习和逻辑推理的能力，其中表示从感知的角度捕捉数据中的相似模式，而逻辑促进了知情决策的认知推理。然而，一个重要的挑战是在一个共享的体系结构中架起可微分神经网络和符号推理的桥梁，以进行优化和推理。为解决这一问题，我们提出了一种模块化的推理体系结构，将AND(∧)、OR(∨)、NOT(¬)等逻辑运算学习为蕴涵推理(→)的神经模块。这样，逻辑表达式就可以等效地组织成神经网络，从而在连续空间中进行逻辑推理和预测。与浅层、深层和推理模型相比，在真实数据集上的实验验证了我们的框架的优势。

https://www.zhuanzhi.ai/paper/3ef41bd3070325cba6601e2e056e2583