2、可解释的多类型物品推荐系统

可解释的多类型物品推荐系统

1. 多类型物品推荐的挑战与解决方案

多类型物品推荐任务极具挑战性，因为不同类型的物品具有不同的属性特征和数据结构。大多数现有的神经网络在固定的同质图上学习节点表示，而且由于多类型物品推荐中的物品类型、属性和数据结构各不相同，很难找到一个统一的标准来解释推荐结果。

为解决这些问题，提出了知识图Transformer网络（KGTN），它推广了之前的图Transformer网络。通过图Transformer层，由用户、物品和其他节点组成的协作知识图能够学习有用的隐藏元路径和多跳连接，且无需预先定义元路径或领域知识，生成过程具有可解释性。图卷积层聚合相邻节点的信息，以表示不同类型邻接矩阵中的用户和物品向量，然后将这些向量连接成完整向量，通过向量计算得到推荐给用户的物品列表，并将新生成的元路径图上两个节点的关键路径作为推荐解释。

主要贡献

• 提出了KGTN，这是一种基于知识图的端到端方法，用于处理多类型物品的可解释推荐。
• KGTN直接挖掘不同类别物品之间的隐式关系，无需依赖预定义的元路径，能有效捕捉复杂的语义关系，提高推荐性能。
• 通过生成物品级别的解释，为可解释的多类型物品推荐提供了创新视角，增加了用户对推荐系统的信任和满意度。
• 在两个真实世界的数据集上进行了广泛实验，证明了该方法的优越性。

2. 相关工作

利用知识图作为推荐系统的辅助信息，不仅可以缓解冷启动问题、提高推荐准确性，还能为推荐物品提供解释。不同年份有不同的相关研究：
| 年份 | 研究者 | 方法 | 特点 |