Learning Intents in Interactions with Knowledge Graph on Recommendation 2021

摘要

知识图谱（KG）在推荐系统中的重要性日益凸显。当前技术发展的新方向是构建基于图神经网络（GNN）的端到端模型。然而，目前大多数基于GNN的模型在关系建模方面仍存在局限，具体表现为：（1）无法在细粒度意图层面识别用户与项目之间的关系；（2）未能有效利用关系依赖性以维持远程连接的语义信息。

本研究中，我们借助辅助项目知识深入挖掘用户与项目交互背后的潜在意图，并提出了一种新的模型——基于知识图谱的意图网络（KGIN）。从技术实现的角度出发，我们将每个意图视为KG中关系的精细组合，并通过增强不同意图之间的独立性来提升模型的表达能力与可解释性。同时，我们为GNN设计了一种全新的信息聚合机制，该机制以递归方式整合远程连接的关系序列（即关系路径），从而提取出有关用户意图的关键信息，并将其编码至用户和项目的表示向量中。在三个标准数据集上的实验结果表明，相较于KGAT [41]、KGNN-LS [38]和CKAN [47]等现有先进方法，KGIN在性能上实现了显著提升。进一步分析显示，KGIN能够识别出具有影响力的意图及关系路径，为预测结果提供了具有解释力的支持。

1 INTRODUCTION

知识图谱（KG）在增强推荐系统的准确度与可解释性方面展现出广阔的发展前景。KG中所包含的大量实体及其关联信息，能够有效补充用户与项目之间关系模型的构建。这些信息不仅有助于揭示