PLRA-KG：用于基于知识图谱推荐的模式衍生潜在关系增强

《Information Processing & Management》：PLRA-KG: Pattern-derived latent relation augmentation for knowledge graph-based recommendations

　　

摘要基于知识图谱（KG）的推荐已成为解决数据稀疏性的有效方案，该方法通过将结构化语义信息融入用户和物品表示中。然而，现有的基于 KG 的推荐方法仍面临两个核心挑战：(i) 过度依赖显式关系，而对物品之间的潜在连接捕获不足；(ii) 高阶传播过程中的特征退化，导致学习到的表示中有信息量信号的稀释。为此，我们提出了 PLRA-KG，这是一种用于基于 KG 推荐的基于模式的潜在关系增强框架。PLRA-KG 通过从全局用户偏好模式和关系结构中生成交叉关系和交叉实体，揭示了隐式物品关联。具体而言，PLRA-KG 首先通过自训练进行关系感知聚类，将具有强关联模式的物品分组。随后，它引入了一种判别感知关系对选择机制，以识别显著影响用户决策的关系组合。基于选定的关系对，设计了一种基于模式的交叉关系生成策略，通过联合建模全局用户偏好和关系价值交互来构建潜在关系。这些生成的交叉关系和交叉实体随后被集成到原始 KG 中，形成一个增强图，该图能更好地捕获隐藏的语义连接。最后，PLRA-KG 在一个统一框架中进行优化，该框架同时考虑推荐学习、KG 嵌入和聚类目标，使其能够无缝集成到各种基于 KG 的推荐模型中。在多个基准数据集上的广泛实验表明，PLRA-KG 持续提高了推荐准确性和多样性，在 Recall（召回率）、AD（平均多样性）、Coverage（覆盖率）方面的平均提升分别约为 6.64%、7.83% 和 5.56%，ARP（平均复购率/重复概率）降低了 6.20%。源代码可在 https://github.com/ZZP-RS/PLRA-KG 获取。

引言推荐系统（RSs）已成为现代数字生态系统中不可或缺的一部分，推动着各种在线平台的用户参与和业务增长 (Fan et al., 2026, H. Liu et al., 2026, J. Liu et al., 2026)。通过提供个性化和情境感知的推荐，RSs 不仅提高了用户满意度，还促进了长期的客户保留和收入增长 (Zhang et al., 2022, Zhang, Dong et al., 2025, Zhang, Zhang et al., 2024)。随着用户偏好和物品属性日益复杂，利用辅助信息源对于提高推荐准确性变得至关重要。其中，知识图谱（KG）已成为一种关键资源，提供结构化语义关系来丰富用户 - 物品交互建模 (Wang et al., 2026, L. Zhang et al., 2026)。

基于 KG 的推荐方法从 KG 中聚合多跳关系信息，以揭示复杂的物品关联，在捕获高阶依赖方面取得了令人瞩目的成果。现有方法大致分为三种范式：基于嵌入的 (Wang, Zhang et al., 2019, Zhang et al., 2016, Zhang, Zhu et al., 2025)、基于路径的 (Hu et al., 2018, Wang et al., 2018, Yu et al., 2014) 和混合方法 (Dong et al., 2024, Khan et al., 2024, Wang et al., 2020, Zhang, Wang et al., 2024, Zhao et al., 2023)。与此同时，关系感知推荐方法的最新进展强调使用注意力机制和元关系建模来对高阶交互和动态用户 - 物品关系进行编码 (Chang et al., 2023, R. Huang et al., 2021, C. Huang et al., 2021, Lu et al., 2023, X. Wang et al., 2019, Wang et al., 2021)。尽管基于 KG 的推荐方法取得了成功，但仍有两个基本挑战尚未得到充分探索。为了定量地激励我们的工作，我们在三个广泛使用的基准数据集：MovieLens1M、LastFM 和 Amazon-book 上进行了初步分析。我们首先量化了物品实体之间显式关系连接的稀疏性。对于每个数据集，我们计算了底层 KG 中通过至少一条显式关系路径连接且跳数为 2 或 3 的物品对比例。如表 1 总结所示，在 MovieLens1M 中仅有 18.7% 的物品对、在 LastFM 中有 12.4%、在 Amazon-book 中有 15.3% 共享 2 跳显式关系路径。将路径长度扩展到 3 跳仅对这些比例产生了边际改善。这种经验证据表明，仅靠显式 KG 边无法完全编码物品之间复杂的相关性。然后，我们分析了多阶图传播导致的特征退化。使用代表性的基于 KG 的方法 KGAT (X. Wang et al., 2019)，我们计算了不同传播层中物品嵌入与其聚合邻域嵌入之间的平均余弦相似度。表 1 展示了随着传播深度增加，相似度呈急剧上升趋势。例如，在 Amazon-book 上，相似度指标从第 1 层的 0.42 上升到第 3 层的 0.87。这种趋势意味着独特的、具有物品区分度的特征在迭代消息传递过程中逐渐被平滑掉，导致物品表示同质化。基于上述定量发现，我们将两个基本研究挑战形式化如下：

•[C1] 过度强调显式关系。关系感知推荐方法主要关注预定义的 KG 关系，忽视了反映细微用户偏好的潜在关系协同。这一局限性源于当前关系感知注意力机制对显式边的过度强调，限制了推荐的多样性。

•[C2] 高阶传播中的特征衰减。虽然基于 KG 的传播在捕获多跳依赖方面表现出色，但随着传播深度的增加，它们会遭受渐进的信息稀释。这种衰减导致产生噪声嵌入，无法充分保留物品特定特征，最终降低推荐质量。

为了应对这些挑战，我们提出了用于基于 KG 推荐的基于模式的潜在关系增强方法（PLRA-KG），这是一个旨在通过双重过程揭示潜在物品相关性的新颖框架：(1) 系统地发现在预定义模式之外的隐式关系，以及 (2) 保留关键物品特征的判别感知传播。图 1 给出了 PLRA-KG 中潜在关系发现的说明性示例。PLRA-KG 通过从全局用户偏好分析中识别隐式关联模式并将这些模式集成到 KG 中，增强了 KG 的语义结构。与仅组合现有技术方法的传统混合基于 KG 的推荐方法不同，PLRA-KG 作为一个上游增强模块运行，兼容任何基于图的推荐架构。PLRA-KG 的流程图如图 2 所示。我们将本研究的主要贡献总结如下：

1. 据我们所知，我们是首次从关系增强的角度系统地探索并将潜在关系注入 KG 的研究者。通过揭示物品之间的隐藏关系，PLRA-KG 增强了 KG 对隐式物品相关性的建模能力，在牺牲准确性的情况下显著提高了推荐多样性 [C1, C2]。
2. 引入了一种判别感知关系对选择机制，根据关系对用户在决策过程中的判别能力进行优先级排序。通过在合成关系生成过程中动态过滤弱关联对，该过程减少了噪声传播，同时保留了语义上有意义的相关性，从而生成了更高质量的交叉关系 [C1]。
3. 进行了一种基于模式的交叉关系生成过程，使用全局用户偏好信息生成交叉关系和交叉实体。通过将全局用户偏好与实体级关系模式相结合，PLRA-KG 使得能够进行细粒度的物品关联建模，使语义关系与实际用户行为保持一致 [C2]。

本文其余部分组织如下：第 2 节概述了基于 KG 的推荐和关系感知推荐领域现有的方法论。第 3 节介绍了本研究中使用的关键符号，并给出了问题定义。在第 4 节中，我们深入探讨 PLRA-KG 方法的具体组件。第 5 节展示了使用 PLRA-KG 和改进前的原始 KG 进行对比的现有代表性基于 KG 的推荐方法的结果。此外，进行了消融研究以评估 PLRA-KG 内各种组件的影响。 Furthermore，进行了参数敏感性和稳健性分析，以研究它们对 PLRA-KG 性能的影响。Moreover，包含了一个案例研究，以展示 PLRA-KG 如何重构原始 KG。最后，第 6 节总结了论文并建议了未来研究的潜在途径。

章节片段

相关工作
在本节中，我们介绍旨在产生基于 KG 的推荐和关系感知推荐的现有相关方法。

预备知识与问题定义
在本节中，描述了本研究其余部分中使用的主要符号。此外，还讨论了所提出的 PLRA-KG 的问题设置。

方法论
在本节中，我们正式描述了所提出的 PLRA-KG 的详细组件。具体而言，PLRA-KG 由以下模块组成：(1) 基于自训练的关系感知聚类。该模块根据 KG 中的关系模式识别物品集群。(2) 判别感知关系对选择。该模块选择高影响的关系对，过滤噪声以确保质量。(3) 基于模式的交叉关系生成。该模块生成交叉关系和...

实验与评估
本节首先概述了我们的实验设置。随后，我们比较了在实施 PLRA-KG 之前和之后的现有基于 KG 的推荐方法。此外，我们进行了一项消融研究，以评估 PLRA-KG 内各种组件的影响。此外，我们分析了几个影响 PLRA-KG 性能的关键参数。最后，我们展示了一个案例研究，说明 PLRA-KG 如何将原始 KG 重构为增强版本。

结论与未来工作
在本文中，我们提出了 PLRA-KG，这是一种用于基于 KG 推荐的基于模式的潜在关系增强框架。与严重依赖预定义关系的现有方法不同，PLRA-KG 通过从全局用户偏好模式和关系结构中生成交叉关系和交叉实体，显式地对隐式物品关联进行建模。通过关系感知聚类和判别感知关系对选择机制，PLRA-KG 识别高质量的关系...

CRediT 作者贡献声明
Zhipeng Zhang: 写作 – 审阅与编辑，写作 – 原稿起草，资金获取。Shuhan Ji: 方法论，数据整理，概念化。Mengyao Wang: 调查，形式分析。Jiaxing Li: 验证。Yao Zhang: 指导，资源。Yonggong Ren: 指导，资金获取。Qingxu Deng: 可视化，验证。

致谢
作者希望表达他们对部分财务支持的感激之情，这些支持来自辽宁省科学技术厅重点研发计划（编号：2025JH2/101330116），部分来自辽宁省自然科学基金联合基金计划（编号：2025-MSLH-439），部分来自辽宁省本科高校基本科研项目（编号：LS2024Q007），部分来自辽宁省教育厅一般项目（编号：LJ212610165010），部分来自 Zhipeng Zhang|Shuhan Ji|Mengyao Wang|Jiaxing Li|Yao Zhang|Yonggong Ren|Qingxu Deng