WSDM24文献阅读分享：DiffKG —— 知识图谱扩散模型在推荐系统中的应用 ✨

🌟 研究背景

在数字化时代，推荐系统已成为连接用户与信息的关键桥梁。然而，用户-项目互动的稀疏性严重制约了推荐系统的性能。为了解决这一问题，研究者们开始探索利用知识图谱（KG）来丰富推荐系统，通过捕捉项目间的语义关系来增强推荐的相关性。

📚 相关工作

在知识图谱增强的推荐系统中，主要方法包括基于嵌入的方法、基于路径的方法和基于图神经网络（GNN）的方法。这些方法虽然有效，但依赖于高质量的输入知识图谱，且易受噪声影响。

🚀 创新点

本论文提出了DiffKG，一种新颖的知识图谱扩散模型，用于推荐系统。DiffKG通过整合生成扩散模型与数据增强范式，有效过滤噪声信息，提高用户偏好的编码鲁棒性。

🧠 方法介绍

DiffKG模型的核心在于知识图谱扩散机制。该机制通过逐步引入随机噪声来模拟知识图谱的损坏过程，然后通过迭代学习恢复原始知识图谱结构。这一过程不仅模拟了复杂的关系生成过程，还减少了噪声关系的影响。

🔄 输入输出转变

• 输入：用户-项目互动图和关联的知识图谱。
• 输出：预测用户与项目互动的可能性。

📈 实验

实验在三个公开数据集上进行：Last-FM（音乐）、MIND（新闻）和Alibaba-iFashion（电子商务）。DiffKG在多个基准数据集上均显示出相比其他基线模型的显著性能提升。

🎉 创新点详解

• 知识图谱过滤：DiffKG引入了知识图谱过滤器，有效排除了不相关和错误的数据，与用户偏好学习无缝对接。
• 协同知识图谱卷积机制：该机制整合了用户-项目互动模式的协同信号，指导知识图谱扩散过程，确保在扩散过程中保留相关知识。

🌈 结论

DiffKG通过其创新的知识图谱扩散模型，在处理稀疏性和噪声问题上表现出色，为推荐系统领域提供了一种新的解决方案。这项工作不仅推动了知识图谱在推荐系统中的应用，也为未来相关研究提供了新的思路。