Unifying Task-oriented Knowledge Graph Learning and Recommendation

Unifying Task-oriented Knowledge

Graph Learning and Recommendation

ABSTRACT

背景

将知识图纳入推荐系统（知识感知推荐），以辅助提高推荐的准确性和可解释性。然而，现有的方法在很大程度上假设知识图谱做推荐时是完整的。但在现实真实的场景中，知识图谱是很难完整的，这就可能导致知识图谱做推荐的性能不理想。

创新点

（1）在本文中，提出了一个鲁棒共学习模型（RCOLM），它考虑了KS（知识图谱）在推荐时的不完整性。RCoLM的目标是利用迁移学习模型在推荐任务和知识图补全（KG完成）任务之间迁移知识。RCoLM试图从KG补全的推荐中利用用户-项目交互项，并将这两项任务合并在一个联合模型中，以便相互增强。
（2）在KG补全任务中，RCoLM提供了一种通用的面向任务的负采样策略，进一步提高了该算法的自适应能力，在知识图谱补全的子任务中获取好的表现起着至关重要的作用。

INTRODUCTION

RCoLM模型的基本思想

（1）使用KG中的事实作为辅助信息，以增强项目推荐的性能。
（2）在推荐中借助用户-项目交互来补全KG（知识图谱）中缺失的事实。