IDiffKG：用于推荐的确定性及隐式知识图谱扩散方法

《Knowledge-Based Systems》：IDiffKG: Deterministic and implicit knowledge graph diffusion for recommendation

　　

摘要

基于知识的推荐系统能够利用外部语义信息，但其效果往往受到噪声较多且与任务无关的知识图谱结构的影响。现有的基于扩散的方法提供了一种有原理的去噪思路，但它们所采用的随机逆向过程可能会引入额外的方差，从而削弱在知识图谱重建过程中对与推荐相关的关系模式的保留。我们提出了IDiffKG，这是一种确定性的、隐式的知识图谱扩散框架，通过非马尔可夫逆向过程来实现以推荐为导向的知识图谱优化。IDiffKG在保留标准扩散训练目标的同时，用可控的确定性重建替代随机逆向采样，通过协作信号校准重建出的关系，并通过跨视图对比学习使原始图谱与重建后的图谱保持一致。这样的设计使得扩散过程明确以推荐为目标，而不仅仅是生成内容。在多个领域的三个公开基准测试上的实验表明，该方法相较于现有主流方法具有持续的优势，Recall@20和NDCG@20的提升幅度分别可达7.71%和8.15%。消融实验和敏感性分析进一步表明，确定性重建、协作校准以及跨视图对齐发挥着互补作用，而且所提出的方法能够实现可控制的精度与效率之间的平衡。这些结果说明，通过可控的、以行为为依据的知识图谱优化，可以有效利用隐式扩散技术提升基于知识图谱的推荐性能。

引言

推荐系统必须从高度不完整的隐性反馈中推断用户的偏好。协同过滤作为一种主流方法，因为它可以直接从用户与物品的交互中学习偏好模式，但当交互数据较为稀疏或信息量不足时，其效果就会下降。基于知识的推荐系统通过引入知识图谱来克服这一局限，知识图谱包含了描述物品语义的结构化实体和关系[1]、[2]。不过，在这种场景下，关键挑战不仅在于获取更多外部知识，还在于如何将这些知识整理成对后续排序有用的形式。从这个角度出发，基于知识图谱的推荐也可以被视为一种知识优化问题：需要调整现有的知识图谱，使其内容和结构更能满足目标任务的需求[3]、[4]、[5]、[6]。

因此，知识图谱的价值并不取决于其规模大小，而在于其所提供知识的质量及其与任务的相关性。现实世界中的知识图谱往往具有稀疏性、长尾特征，其中的关系在事实层面是正确的，但对偏好估计而言信息量却很有限[7]、[8]。如果这些关系被无差别地传播，推荐系统可能会纳入一些能够描述物品特征但對偏好预测帮助不大的语义信息。所以，核心问题在于将原始的知识图谱转化为以推荐为导向的图谱结构，既要保留与用户行为相关的结构，又要消除与任务无关的连接。这个问题并非易解，因为推荐相关的监督数据较为稀少，而知识图谱中的噪声则是结构化的、基于关系的，仅靠局部剪枝很难去除。

现有的研究仅部分解决了这一问题。诸如KGAT[9]和KGIN[10]这类典型的基于知识图谱的推荐系统，通过考虑关系信息的消息传递来改善偏好建模，但它们通常将现有的知识图谱视为固定输入，难以有效处理存在噪声的邻域节点[11]。包括KGCL[12]、MCCLK[13]和KGIC[14]在内的对比学习和自监督方法，则通过扰动图谱或对齐多种视图来提升系统的鲁棒性。然而，这些视图通常是通过启发式增强方法得到的，并非基于以推荐为导向的知识图谱优化这一明确目标。DiffKG[15]进一步将扩散模型引入基于知识图谱的推荐领域，证明了去噪是减少知识图谱噪声的有效途径。不过，它的重建流程仍然采用传统的随机逆向方法，未能针对稳定、与任务一致的 knowledge图谱优化进行专门设计。因此，现有方法虽然能够利用知识图谱信息提升推荐效果，但并未将知识图谱的利用本身明确视为一个可控制的优化问题。

因此，以推荐为导向的知识图谱优化更应被视为一种可控制的图谱重建问题，而非无约束的图谱生成问题。如果目标是获得更清晰的知识图谱以便后续的偏好学习，那么逆向过程应当保留扩散模型的去噪原理，同时减少不必要的随机扰动，并以协作证据作为重建的依据。这就需要一种确定性的隐式逆向方法，它在保留标准扩散训练目标的同时，通过非马尔可夫轨迹来重建知识图谱，且在采样时可以消除其中的随机性。这样的设计更适用于以推荐为导向的优化，因为它能够保障结构一致性，并实现基于行为的图谱重建。

为此，我们提出了IDiffKG，这是一种用于以推荐为导向的知识图谱优化的确定性、隐式知识图谱扩散框架。IDiffKG将以物品-实体之间的关联作为扩散目标，学习如何从逐渐被破坏的知识图谱观测数据中重建更清晰的关系结构。它还采用了协作知识图谱卷积技术，将扩散模型预测出的关系与交互信号相结合，从而使重建结果更倾向于符合用户行为的连接，而不仅仅是基于知识图谱本身的边关系。重建后的知识图谱与原始知识图谱形成了互补的视图，通过跨视图对比学习使二者在用户和物品表示上保持一致，同时再通过排序目标优化推荐效果。这样一来，推荐系统不仅能受益于优化后的知识，还能通过任务层面的监督来引导知识图谱的优化。本文的主要贡献如下：

• •
  将基于知识图谱的推荐问题重新定义为以推荐为导向的知识图谱优化问题，IDiffKG通过确定性的隐式扩散方法实现了这一目标，同时保留了标准扩散训练目标。
• •
  为了支持以推荐为导向的知识图谱优化，IDiffKG整合了协作知识图谱卷积技术和跨视图对比对齐机制，使重建出的关系以交互信号为依据，并将优化后的知识图谱应用到后续的排序任务中。
• •
  在三个公开基准测试上的实验表明，IDiffKG的表现始终优于现有的各类主流方法，包括基于协作的、基于知识图谱的、自监督的和基于扩散的方法。消融实验明确了确定性重建、协作校准以及跨视图对齐的作用，敏感性分析则显示了该方法具备可控制的精度与效率平衡能力。

本文的其余结构如下：第2节回顾相关研究；第3节介绍所提出的IDiffKG框架及其优化流程；第4节阐述实验设置、实证结果、消融实验与敏感性分析，以及主要发现与局限性的讨论；第5节对全文进行总结。

章节要点

相关研究

图神经网络已成为在结构化关系信息上传播信号的重要工具[16]、[17]。在推荐系统中，图神经网络能够捕捉高阶的协同模式和语义依赖关系，从而自然地支持基于知识的推荐功能。

所提算法

本节介绍了IDiffKG的建模思路和整体架构（见图1）。首先定义了基于知识图谱的推荐场景以及用于扩散优化任务的物品-实体表示方式，随后介绍了确定的隐式逆向过程、协作校准机制以及优化流程。

实验结果

本节从三个方面评估IDiffKG的性能：整体推荐效果、各组件的贡献度，以及超参数敏感性及其对应的计算成本。首先介绍数据集、评估方案、实现设置和比较方法，随后汇报主要实验结果、消融实验结论以及敏感性分析结果。

结论

本文提出了IDiffKG，这是一种确定性的、隐式的知识图谱扩散框架，它将基于知识图谱的推荐问题重新定义为以推荐为导向的知识图谱优化任务。IDiffKG并非将现有的知识图谱视为固定的语义输入，也不是将扩散模型用于通用的图谱生成，而是通过确定的逆向路径重建物品-实体关系，利用协作信号校准优化后的结构，并将优化后的知识转化为用户和物品的表示形式。

CRediT作者贡献声明

吴金荣：论文撰写——初稿、软件实现、方法设计、概念构思。王磊：论文撰写——审阅与编辑、项目指导、资金申请。王佳瑞：结果验证、数据整理。王晓彤：结果可视化、验证工作。王凯峰：论文撰写——审阅与编辑、资源协调。

资金支持

本研究得到了中国国家重点研发计划（项目编号：2024YFB3309900）以及天津大学先进内燃机动力系统国家重点实验室开放基金（项目编号：K2024-01）的支持。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

Jinrong Wu|Lei Wang|Jiarui Wang|Xiaotong Wang|Kaifeng Wang