利用知识引导的兴趣对比来提升推荐效果

《IEEE Transactions on Big Data》：Enhancing Recommendations with Knowledge-Guided Interest Contrast

数字时代信息过载催生个性化推荐系统需求，但用户-项目交互稀疏和长尾偏差制约效果。本文提出知识引导兴趣对比(KGIC)模型，创新性地融合协同过滤与知识图谱语义，通过知识过滤机制选择性利用兴趣相关图谱信号，自适应图增强策略提升交互图质量，并采用自监督对比学习平衡嵌入分布，有效缓解数据稀疏和长尾问题，实验验证其性能优越性。

　　

摘要：

在数字时代，海量的信息需要先进的推荐系统来提供个性化的内容。然而，这些系统面临着诸多挑战，例如用户与物品之间的互动稀少以及长尾效应（即冷门内容被忽视的问题）。最近的研究通过在交互图上构建结构学习或自监督学习方法来缓解这些问题，但现有的交互数据往往不足以完全解决问题。知识图谱（KG）通过为推荐提供语义深度，为解决这些问题提供了有希望的途径；然而，其集成过程可能会引入来自冗余知识的噪声。为了解决这些关键问题，本研究提出了一种基于知识引导的兴趣对比（KGIC）方法，该方法创新地将协同过滤与知识图谱中的语义信息相结合。KGIC模型包含三个关键创新点：（1）一种知识过滤机制，能够有选择地利用知识图谱中的相关信号来编码用户兴趣，同时避免冗余知识的干扰；（2）一种自适应的图谱增强策略，通过基于语义理解的兴趣传播和交互强度估计来优化交互图；（3）一种自监督的对比学习任务，通过均匀化增强后的视图之间的嵌入分布来减轻长尾效应和数据稀疏性问题。广泛的评估结果表明，结合知识过滤和图谱增强的KGIC方法在推荐效果上具有显著优势。