摘要
推荐系统通过从大规模行为数据和异构知识源中学习用户偏好，已成为智能信息服务的关键技术。然而，现有的推荐方法仍面临两个关键局限性：噪声知识图谱可能在表征学习过程中引入误导性信号，且识别与用户观测偏好相关的物品属性仍具有挑战性。为了解决这些问题，我们提出了CaRecK（基于因果启发的知识图谱推荐），一种知识精炼的偏好建模框架，该框架将因果启发的属性相关性估计与偏好感知的知识聚合相结合。具体而言，我们开发了一种属性选择机制，以识别对用户表征学习具有偏好相关性的属性。此外，我们设计了一种偏好感知策略，以自适应地选择信息丰富的邻居并整合语义信息，从而学习物品的表征。在两个真实世界基准数据集上的大量实验表明，CaRecK在点击率预测和Top-K推荐任务中均实现了具有竞争力的性能。
