知识精炼去噪网络用于稳健推荐
摘要：知识图谱在推荐系统中扮演了重要角色，可以提供丰富的辅助信息，提升推荐性能并加强其可解释性。然而，现有的知识感知推荐方法直接在知识图谱和用户-物品双分图上进行信息传播，忽视了“与任务无关的知识传播”和“对交互噪声的脆弱性”的影响，从而限制了它们的性能。为了解决这些问题，我们提出了一个稳健的知识感知推荐框架，称为“知识精炼去噪网络”（KRDN），同时修剪了与任务无关的知识关联和噪声隐式反馈。KRDN包括自适应知识精炼策略和对比去噪机制，能够自动提取高质量的知识图谱三元组用于聚合，并分别修剪噪声隐式反馈。此外，我们还设计了自适应损失函数和梯度估计器用于模型优化。在三个基准数据集上的实验结果表明，KRDN相对于KGIN、MCCLK和KGCL等最先进的知识感知方法以及相对于SGL和SimGCL等稳健推荐模型具有更高的效果和稳健性。
作者：Xinjun Zhu, Yuntao Du, Yuren Mao, Lu Chen, Yujia Hu and Yunjun Gao
论文ID：2304.14987
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-05-01