HyDRA:一种基于双曲对偶几何表示的方法,用于实现知识感知的推荐系统
《Neurocomputing》:HyDRA: Hyperbolic dual-geometry representation alignment for knowledge-aware recommendation
【字体:
大
中
小
】
时间:2026年05月08日
来源:Neurocomputing 6.5
编辑推荐:
张绍星|赵帅|张倩瑾|宋玉仑
北京邮电大学,中国北京市海淀区西土城路10号,邮编100876
摘要
基于知识的推荐系统利用知识图谱(KGs)来缓解数据稀疏性和冷启动问题。然而,现实世界中的KGs包含与任务无关的噪声关系,这些关系会扭曲用户偏好,并且在双曲建模下由于体
张绍星|赵帅|张倩瑾|宋玉仑
北京邮电大学,中国北京市海淀区西土城路10号,邮编100876
摘要
基于知识的推荐系统利用知识图谱(KGs)来缓解数据稀疏性和冷启动问题。然而,现实世界中的KGs包含与任务无关的噪声关系,这些关系会扭曲用户偏好,并且在双曲建模下由于体积呈指数级膨胀而进一步被放大。此外,具有密集交互的头部项目更倾向于欧几里得角度稳定性,而观测值稀疏的尾部项目则显著受益于双曲几何,以保持层次接近性和语义性,表现出异构的几何需求。为了解决这些耦合挑战,我们提出了HyDRA,一个双曲双重几何表示对齐框架。HyDRA引入了结构合理化机制,结合关系感知的剪枝和双曲语义依赖性正则化来抑制无关关系和冗余语义,同时保持层次保真度。它还采用了跨几何对齐,通过对比学习将内在的洛伦兹表示与独立的欧几里得表示协调起来以保持度量,同时结合了考虑流行度的自适应融合策略。在三个基准数据集上的广泛实验表明,HyDRA在性能上始终优于现有方法,在噪声KGs下表现出更好的鲁棒性,并且在尾部项目上有所提升。
引言
在数字时代,推荐系统已成为信息过滤不可或缺的引擎,广泛应用于电子商务[48]、社交媒体[69]和内容分发平台[5]等领域。在各种范式中,协同过滤(CF)长期以来一直占据主导地位,它通过历史交互来推断用户偏好[16][38]。然而,CF对观测数据密度的依赖使其容易受到数据稀疏性和冷启动问题的影响,尤其是对于尾部项目[8][11]。
为了缓解这些限制,知识图谱(KGs)越来越多地被用作辅助信息来源[13]。通过将项目和属性建模为结构化语义图,KG增强的推荐系统沿关系路径传播用户偏好,实现高阶依赖建模和多跳语义推理[3][33][50]。同时,现实世界中的KGs通常表现出层次化和无尺度结构,这促使人们采用双曲几何作为嵌入空间[41]。由于双曲几何的体积呈指数级膨胀,它特别适合表示层次知识和稀疏的尾部实体,并且失真较小[1][43]。尽管取得了这些进展,但将KGs有效整合到推荐系统中仍然面临一个根本性挑战,即结构噪声与几何建模之间的相互作用。现实世界中的KGs不可避免地包含与任务无关或关联较弱的关系,这些关系对用户偏好建模的贡献是潜在的且依赖于上下文[63]。现有的努力尝试在不同的几何假设下缓解这个问题,但仍存在局限性。在欧几里得建模范式下,引入了结构约束、注意力机制和剪枝策略来抑制噪声关系[17][49][62][65]。虽然这些方法在提高鲁棒性方面有效,但它们仍然受到欧几里得几何作为唯一语义传播和去噪空间的限制,这通常对KGs的内在层次结构不敏感[35],因此可能会丢弃结构上较弱但在语义上关键的尾部关系。从更深的层次来看,这个根本性挑战可以分解为两个紧密耦合的方面:结构语义不对齐及其随后的几何放大。
具体来说,如图1左侧所示,在联合用户-项目-知识图的多跳传播过程中,那些与任务无关但结构上可达的实体关系对(显示为红色路径)可能会与预测信号纠缠在一起,从而扭曲用户对项目和实体的真实偏好,导致学习到的表示的结构保真度下降。同时,这种关系在局部语义条件下可能对某些用户的偏好仍然具有相关性(例如,路径),这使得仅基于结构连通性的去噪策略难以完全解决潜在的语义不对齐问题。为了更好地捕捉超出欧几里得空间表示能力的知识图的内在层次结构,最近的研究转向了双曲几何作为更具表达力的替代方案。然而,如图1右侧概念性地所示,如果这种关系语义不对齐未经过滤直接通过双曲聚合在原始知识图上继承,双曲空间的体积指数级膨胀会沿着长测地线放大即使是微小的结构噪声,导致学习和到的用户和项目表示出现不成比例的失真[36][37]。这种由双曲建模和未合理化的知识图结构相互作用引起的几何放大结构失真,无法通过传统的欧几里得剪枝或软注意力机制有效解决,突显了需要考虑流形的结构合理化。
除了结构挑战之外,在几何建模层面还存在另一个权衡,即几何保真度和优化实用性之间的平衡。在洛伦兹流形上直接优化图神经网络涉及复杂的黎曼运算和高计算成本。为了提高可扩展性,大多数双曲推荐模型依赖于切线空间近似,将局部切平面视为消息传递的替代欧几里得空间[26][40][60]。虽然计算效率高,但这些近似不可避免地牺牲了几何表达能力。更重要的是,它们忽略了项目流行度引起的异构几何需求。实证证据表明,具有密集交互的头部项目更倾向于欧几里得角度稳定性,而尾部项目则严重依赖双曲几何来保持层次接近性[1][54]。因此,单一的近似几何难以同时捕捉这两种情况,导致表示保真度不佳[36][61]。
为了以统一的方式解决结构和几何维度上的这些耦合挑战,我们提出了HyDRA(双曲双重几何表示对齐),一个旨在通过跨结构和几何维度的显式表示对齐来实现高表示保真度的统一框架。对于结构合理化,HyDRA部分受到信息瓶颈(IB)原理[15][42]的压缩-保真直觉的启发,该原理用于调节来自噪声知识图的信息流。我们引入了双曲语义依赖性正则化机制,以几何感知的方式补充拓扑合理化,保持层次语义的同时减轻几何放大的噪声。对于跨几何对齐,HyDRA采用了一种双重几何表示对齐策略,将内在的双曲表示和独立的欧几里得表示视为互补视图。通过考虑流行度的自适应融合机制,HyDRA在统一框架内动态适应头部和尾部项目的异构几何需求。因此,HyDRA被设计为一个统一框架,在其中结构感知的KG细化和跨几何偏好建模紧密集成,能够在噪声知识图下实现稳健的推荐,同时保留欧几里得和双曲表示的互补优势。
本工作的主要贡献总结如下:
•我们提出了HyDRA,一个统一的KG增强推荐框架,结合结构合理化和跨几何对齐以实现高表示保真度。
•我们开发了一个结构合理化模块,该模块将关系感知的结构剪枝与双曲语义依赖性正则化相结合,利用流形感知的HSIC来抑制与任务无关的关系和冗余语义,从而减轻几何放大的失真。
•我们设计了一个双重几何对齐框架,将内在的洛伦兹表示与独立的欧几里得表示结合起来进行层次建模和度量保持,通过考虑流行度的融合来解决几何不匹配问题。
•在三个真实世界基准数据集上的广泛实验表明,HyDRA在性能上始终优于现有方法,并在噪声和尾部设置下表现出更好的鲁棒性。
章节片段
利用知识图谱(KGs)来缓解数据稀疏性和冷启动问题已成为推荐系统研究的核心方向[11]。现有的KG增强推荐方法已经从早期的基于嵌入的方法[2][58](它们共同编码实体和关系[68])发展到基于路径的模型[19][28][45](它们沿语义路径传播用户偏好),以及最近的基于GNN的框架[46][51][52](它们捕捉高阶关系)。
初步介绍和问题定义
在本节中,我们正式定义了基于知识的推荐问题。随后,我们介绍了双曲几何的基本概念,特别是洛伦兹模型,以及必要的映射操作,这些构成了我们提出框架的几何基础。
方法论
在本节中,我们介绍了HyDRA(双曲双重几何表示对齐),这是一个旨在解决双曲建模下的结构噪声和语义失真的基于知识的推荐框架。如图2所示,HyDRA采用了两阶段架构,首先在知识图上进行结构合理化,然后进行跨几何对齐进行用户-项目建模,最后进行统一的多任务优化。每个组件的详细信息将在后续部分介绍。
实验
在本节中,我们进行了一系列全面的实验来系统评估HyDRA,并回答以下关键研究问题:
•RQ1:HyDRA的性能与最先进的基于知识的推荐方法相比如何?
•RQ2:关键组件如何贡献最终的性能?
•RQ3:当结构噪声注入KG三元组时,HyDRA对噪声知识图的鲁棒性如何?
•RQ4:HyDRA在缓解尾部项目问题方面的效果如何?
•RQ5:
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号