淘宝网站咋做,湖南省建设厅证件查询,厦门建设网站哪家好,crm管理系统 一般包含Knowledge-refined Denoising Network for Robust Recommendation#xff08;Sigir23#xff09;
摘要
知识图#xff08;KG#xff09;包含丰富的边信息#xff0c;是提高推荐性能和可解释性的重要组成部分。然而#xff0c;现有的知识感知推荐方法直接在KG和用户-项目…Knowledge-refined Denoising Network for Robust RecommendationSigir23
摘要
知识图KG包含丰富的边信息是提高推荐性能和可解释性的重要组成部分。然而现有的知识感知推荐方法直接在KG和用户-项目二部图上进行信息传播忽略了任务无关知识传播的影响和易受交互噪声的影响限制了其性能。针对上述问题本文提出了一种鲁棒的知识感知推荐框架-知识细化去噪网络KRDN该框架能够同时修剪与任务无关的知识关联和有噪声的隐式反馈。KRDN包括自适应知识精炼策略和对比去噪机制分别能够自动提取高质量的KG三元组进行聚合和修剪含噪隐式反馈。
引言 目前基于传播的方法通常有以下两个限制
无效的知识传播容易受到噪声的干扰
本文贡献 3. 从一个新的角度来处理知识感知的推荐同时细化知识关联和去噪隐式交互以细粒度的方式开发了KG中的知识关联它不仅可以学习根据下游监控信号修剪不相关的三元组而且可以组合地聚合多方面的事实以获得高质量的知识表示。 4. 提出了一种对比去噪策略利用协同和知识两个方面的语义差异来更好地表达和传播用户真实偏好从而大大增强了推荐的鲁棒性。
问题定义 模型框架 1自适应知识精炼其使用参数化的二进制掩码来学习以无偏梯度估计器去除不相关的事实同时设计了组合知识聚合器以有效地集成不同种类的知识关联用于上下文传播 2对比去噪学习其关注协作信号和知识信号的差异以对比方式识别噪声交互并且迭代地执行关系感知图自增强以增强用户表示。
一. 自适应知识精炼
与之前直接将KG中的各种信息集成到项目表示中的基于传播的方法不同我们的目标是捕获最相关的知识关联这有利于学习用户偏好。具体来说我们设计了一个自适应修剪机制学习修剪无关的事实与可训练的随机二进制掩码并设计了一个梯度估计器以共同优化它们与模型。同时我们认为现有的方法是无法正确地表征项目因为他们不区分项目相关的信息只在一个粗粒度上聚集KG信息。KG中的不同实体对于推荐场景具有不同的语义并且它们在分析项中扮演不同的角色。这促使我们执行上下文感知的组合聚合机制根据项目的相关性收集不同的语义。
1. 无关事件修剪
KG包含大量噪声和与任务无关的信息这些信息是无用的甚至会降低性能。一个简单的解决方案是手动构建一个K近邻子图来约束节点的感受野[1033]或者随机丢弃一些边来构建用于对比学习的多视图图结构[5358]。然而这些方法高度依赖于图构造的质量并且不能根据推荐任务自适应地丢弃不必要的边。因此我们转向一个参数化的方法来共同学习最佳修剪策略与下游的合作信号。从技术上讲我们首先将T中的每个三元组与二进制掩码∈{01}连接起来以指示是否应该丢弃该三元组因此修剪后的事实可以表示为
2.组合知识聚合
将图谱划分为三种集合 T {T1, T2, T3} T1 {(ℎ, , )|ℎ, ∈ I}as “item-item” facts, as both entities in these triplets are aligned with items. T2 {(ℎ, , )|ℎ ∈ Ior ∈ I} stands for“item-attribute” facts, which means that one ofthe entities is relatedto item while the other acts as the attribute of it. The rest tripletsT3 {(ℎ, , )|ℎ, ∉ I} are “attribute-attribute” facts,where both entities are represented as attributes 我们用多方面的事实重组KG三元组可以明确地收集不同的知识关联。为了对消息传递进行去噪我们提出了一种新的聚合机制包括噪声消息修剪和组合知识聚合。具体来说我们使用N {|G∈ G}来表示KG中的邻域实体和项间的一阶关系并提出将邻域实体的多面关系上下文进行整合生成实体间的知识表示: 其中在聚合图谱信息时不同的视图的聚合方式不同 堆叠多层的嵌入将多层嵌入求均值获得最终的实体嵌入 二.对比去噪学习
对比去噪学习主要用于识别用户-项目二分图中的噪声交互并传播高阶区分协作信号以呈现用户的真实偏好。现有方法忽略了交互中的噪声并直接聚合来自相邻用户/项目的所有信息这将使模型难以区分噪声和用户真实偏好并导致次优的用户/项目表示。最近一些工作专注于构建不同的图视图并利用对比学习来增强推荐模型的鲁棒性。不幸的是这种方法将不可避免地丢失结构信息并且无法显式地识别假交互。因此我们的目标是利用协作信号和知识关联之间的分歧以端到端的方式过滤噪声交互。
1.去噪协作聚合
上个模块生成的的项目表示包含精炼的知识关联这些知识关联被认为具有高置信度。通过直接从交互图中聚合这些项目信息我们可以获得用户和项目的知识表示。然而基于隐式反馈构建的用户-项目图不可避免地包含噪声。因此我们初始化额外的项目表示以单独捕获纯合作信号作为比较。为了修剪嘈杂的互动我们专注于协作和知识信号之间的差异。
KRDN保持了原始的图结构而不是随机扰动[53]因此我们能够使用相对距离来评估作为去噪基础的相对于噪声重要性的噪声稳定性
2. 图感知自我增强
因为噪声的存在上述的噪过程不足以降低噪声边缘的权重并且存在误分类的机会。受邻居路由机制[28]的启发我们设计了一种关系感知的自增强机制用于生成上述两种信号中用户和项目之间的增强表示和相关度 噪声交互将逐渐被疏远并且用户表示将被递归地调整到用户偏好的原型[47]。 预测层
**
