网站建设总结经验,企业网站模板素材,wordpress 主题安装教程,网站定制公司报价CNAN知识图谱辅助推荐系统
文章介绍了一个基于KG的推荐系统模型#xff0c;代码也已开源#xff0c;可以看出主要follow了KGNN-LS 。算法流程大致如下#xff1a; 1. 算法介绍
算法除去attention机制外#xff0c;主要的思想在于#xff1a;user由交互过的item来表示、i…CNAN知识图谱辅助推荐系统
文章介绍了一个基于KG的推荐系统模型代码也已开源可以看出主要follow了KGNN-LS 。算法流程大致如下 1. 算法介绍
算法除去attention机制外主要的思想在于user由交互过的item来表示、item由交互过的user交互过的item表示。如下图 即user自身是不具备embedding表示的完全靠KG部分。 这样的好处在于可以很方便的处理新增加的user并不需要重新训练新用户的embedding。
user的initial entity set即该user交互过的item id在KG的id定义为 item的initial entity set定义为 是item交互过的user交互过的item集合公式3将item id转化为在KG的id即对齐操作。
由此我们相当于得到了user、item的邻居set再由这些邻居set在KG中延伸出 阶邻居做聚合第 阶tail entity集合与三元组集合定义为 符号 代表某个user或item。如下图所示多个Layer即代表多阶邻居 这一步在算法执行中会占据相当大的时间。
2.聚合方式
对于某个triplet (ℎ,,) 而言我们定义从tail entity 沿着 聚合到head entity ℎ 得到的attentive embedding CKAN的聚集首先将不同layer总共 个layer的三元组分别聚集得到 、再将处于相同layer的 累加到一起作为该layer的表示 接着除去这 个向量外还会将initial entity set的embedding累加起来作为第0阶layer表示 对于target item而言它自身也是entity所以单独多引入一个origin embedding 因此target user和target item拥有如下embedding set 最后聚合target user/target item的embedding set得到final embedding。正如图一的Knowledge-aware Attentive Network所示。聚合的方式有三种 可以看出CKAN的聚集和其他的GNN算法不同一般的GNN聚集是聚集多次、最后多阶信息都会聚集在target node上。训练采用cross-entropy loss。
3.实验
实验对比如下 loss。
3.实验
实验对比如下
[外链图片转存中…(img-XHaKhNr4-1709550222389)]
数据集均是采用KGNN-LS使用的数据集
