AAAI-2019论文解读：基于知识图进行推荐的可解释性推理

摘要

论文要解决/缓解的问题： 现有的工作还没有充分探索利用用户与物品之间的连接来推断用户偏好。论文通过建模路径内部的顺序依赖关系和整体语义来增强推荐。

模型：利用知识图进行推荐的知识感知路径递归网络(KPRN)模型。KPRN可以通过组合实体和关系的语义来生成路径表示。

亮点：通过利用路径中的顺序依赖关系，使模型对路径进行有效的推理，以推断用户-项目交互的潜在联系。利用加权池操作来区分用户与物品连接的不同路径的强度，使的模型具有一定的可解释性。

数据集：MI、 KKBox

介绍

以往的知识感知推荐方法大致分为路径推荐和嵌入推荐两大类。基于路径的方法引入元路径来细化用户和物品之间的相似性。由于以下限制，元路径在推理KGs时效率较低。

1)由于关系通常被排除在元路径之外，因此很难明确路径的整体语义，特别是当元路径中涉及到相似的实体但不同的关系时。

2)他们不能在隐式连接模式上自动发现和推理路径，因为元路径需要预定义领域知识。

另一个研究方向利用了知识图嵌入(KGE)技术，如TransE 和TransR，对物品的表示进行正则化。因此，具有相似连接实体的物品具有相似的表示，这有助于用户兴趣的协作学习。该方法只考虑实体之间的直接关系，而不考虑运行示例中所示的多跳关系路径。因此KGE正则化缺乏推理能力。

模型

知识感知路径递归网络(Knowledge-aware Path recursive Network, KPRN)，它不仅通过考虑实体和关系来生成路径的表示，还基于路径进行推理来推断用户的偏好。用户-物品连通性的表征是以一种较为隐式的方式实现的，即引导表征学习，而不是推断用户的偏好 。在推理方面通过建模实体的顺序依赖关系和连接用户-物品对的复杂关系。 在可解释性方面，模型在推断用户兴趣时能区分不同路径的不同贡献。

首先从KG中提取用户-项目对之间的限定路径，每个用户-物品对由相关实体和关系组成。
然后采用长短期记忆(LSTM)网络来建模实体和关系的顺序依赖关系。
最后，执行池操作来聚合路径的表示，以获得用户-项目对的预测信号。更重要的是，池化操作能够区分不同路径对预测的贡献，起到注意力机制的作用。

为了捕获KG中更多的语义信息以及用户特征，首先需要得到在KG中从用户A到物品B之间的多跳或单跳路径。然后将多个路径进行embedding操作，并输入LSTM。最后将输出向量进行池化操作，并预测最优路径。

KPRN将每个用户-物品对的一组路径作为输入，并输出一个分数，表明用户与物品交互的可能性。如图所示。

整个模型包含三部分：

(1)嵌入层将三种类型的id信息:实体、实体类型和指向下一个节点的关系投影到潜在空间。
(2) LSTM层，对元素进行顺序编码，以捕获以关系为条件的实体组合语义为目标。
(3)池化层，将多条路径组合起来，输出给定用户与目标项交互的最终得分。

实验结果

实验采用两个评估协议分别评估top-K推荐和偏好排序的性能。

评价指标：
hit@K考虑是否在推荐列表的前K位检索相关项目。
ndcg@K是衡量排名前K位的正面和负面项目的相对顺序的网站。

baseline
MF: 仅利用用户-物品交互来进行推荐。
NFM: 将历史物品作为用户的特征之一加入到推荐中。
CKE: 基于embedding的方法，它集成了Matrix Factorization和TransR来增强推荐。
FMG: 预先定义了各种类型的 meta-graph，并对每个 meta-graph 相似度矩阵进行矩阵分解进行推荐。
下图是实验在两个数据集上的推荐效果

小结

论文提出了一种知识感知路径递归网络，通过组合实体和关系的语义来生成每条路径的表示。在路径上采用LSTM，以捕获元素的顺序依赖关系，并对路径进行推理，推断用户的偏好。