基于跨视图对比学习的知识感知推荐系统

作者：鄢凡力; 胥小波; 赵容梅; 孙思雨; 琚生根^*

来源：工程科学与技术, 2023, 1-9.

DOI：10.15961/j.jsuese.202300431

• 知识感知推荐
• 对比学习
• 关系图注意力
• 推荐系统

知识感知推荐(KGR)领域普遍存在监督信号稀疏问题，为了解决这个问题，对比学习方法被越来越广泛地应用于KGR。但是，过去基于对比学习的KGR模型仍存在一些问题:(1)使用图卷积对所有邻居节点直接聚合，无法排除知识图谱中不必要邻居节点信息的干扰；（2）只关注全局视图的信息，忽略了局部特征，这会导致过平滑问题。为了解决以上问题，提出一种基于跨视图对比学习的知识感知推荐系统(KRSCCL)。KRSCCL使用关系图注意力网络构建包含用户、物品和实体节点的全局视图；使用轻量级图卷积网络构建包含用户和物品节点的局部视图，强调局部特征，有效地缓解过平滑问题。最后，在构建的两个视图的图内和图间节点对之间进行对比学习，以充分提取KG信号，优化用户和物品表示。论文方法在三个不同领域的公开数据集上进行了大量实验，实验结果表明：关系图注意力网络可以有效排除复杂网络聚合时的噪声问题；引入局部视图可以优化节点表示生成，缓解过平滑问题；KRSCCL模型在这三个数据集上都表现良好，在电影领域数据集Movielens-1M上，其推荐的F1分数较最强基线提升2.0%；在音乐领域数据集Last.FM上，其推荐的F1分数较最强基线提升0.3%；在书籍领域数据集Book-crossing上，其推荐的F1分数较最强基线提升5.1%。证明了论文方法的有效性。

• 单位
  中国电子科技集团公司第三十研究所; 四川大学