[논문 리뷰] Explainable Reasoning over Knowledge Graphs for Recommendation

Xiang Wang, Dingxian Wang외 4명|arXiv (Cornell University)|2018. 11. 12.

Advanced Graph Neural Networks참고 문헌 27인용 수 80

한 줄 요약

지식 인식 경로 재귀 네트워크(KPRN)를 도입하여 다단 지식 그래프 경로(엔티티 및 관계)를 추론해 사용자-아이템 상호작용을 예측하고 추천에 대한 경로 수준의 설명을 제공합니다.

ABSTRACT

Incorporating knowledge graph into recommender systems has attracted increasing attention in recent years. By exploring the interlinks within a knowledge graph, the connectivity between users and items can be discovered as paths, which provide rich and complementary information to user-item interactions. Such connectivity not only reveals the semantics of entities and relations, but also helps to comprehend a user's interest. However, existing efforts have not fully explored this connectivity to infer user preferences, especially in terms of modeling the sequential dependencies within and holistic semantics of a path. In this paper, we contribute a new model named Knowledge-aware Path Recurrent Network (KPRN) to exploit knowledge graph for recommendation. KPRN can generate path representations by composing the semantics of both entities and relations. By leveraging the sequential dependencies within a path, we allow effective reasoning on paths to infer the underlying rationale of a user-item interaction. Furthermore, we design a new weighted pooling operation to discriminate the strengths of different paths in connecting a user with an item, endowing our model with a certain level of explainability. We conduct extensive experiments on two datasets about movie and music, demonstrating significant improvements over state-of-the-art solutions Collaborative Knowledge Base Embedding and Neural Factorization Machine.

연구 동기 및 목표

• 지식 그래프가 직접적인 사용자-아이템 상호작용을 넘어서 추천 시스템을 어떻게 향상시킬 수 있는지 조사합니다.
• 사용자에서 아이템으로 이어지는 다중 홉 경로의 순차적 의미를 모델링합니다.
• 경로 기여도를 가중화하고 풀링하여 경로 수준의 설명을 제공합니다.
• 노드 임베딩만 사용하는 방법보다 명시적 경로 추론이 추천 정확도를 향상시킨다는 것을 입증합니다.
• KG 기반의 추천 연구를 지원하기 위한 데이터셋과 코드를 공개합니다.

제안 방법

• Knowledge-aware Path Recurrent Network (KPRN)을 제안하여 엔티티 및 관계 의미를 구성하여 경로 표현을 구축합니다.
• 각 경로를 엔티티 및 관계 임베딩의 시퀀스로 표현하고 이를 LSTM에 입력하여 연속 의존성을 캡처합니다.
• 경로 점수에 대한 가중 풀링(log-sum-exp)을 사용하여 경로 증거를 집계하고 설명 가능성을 가능하게 합니다.
• 노이즈를 포함한 이진 분류 목표로 엔드 투 엔드로 모델을 학습합니다(음의 로그우도 및 L2 정규화).
• 경로 추출을 위해 KG를 사용자-아이템 상호작용과 결합하여 풍부한 지식 그래프를 만듭니다.
• 영화와 음악 데이터셋에서 KPRN을 MF, NFM, CKE, 및 FMG 기준선과 비교합니다.

실험 결과

연구 질문

• RQ1 RQ1: KPRN이 최첨단 KG-강화 추천 방법과 비교하여 어떤 성능을 보이나요?
• RQ2 RQ2: 다중 단계 경로 모델링과 관계 의미의 도입이 KPRN 성능에 어떤 영향을 미치나요?
• RQ3 RQ3: KPRN이 경로에 대해 추론하여 사용자 선호를 파악하고 추천에 대한 설명을 제공할 수 있나요?

주요 결과

• KPRN은 상위-K 추천 지표에서 기저 모형을 상당히 능가하여 임베딩만으로의 접근보다 경로 기반 추론의 이점을 보여줍니다.
• 관계 모델링의 포함(KPRN 대 KPRN-r)은 특히 많은 다른 관계를 가진 경로가 사용자와 아이템을 연결하는 더 촘촘한 데이터셋에서 성능을 향상시킵니다.
• 가중 풀링은 경로별 중요도를 가능하게 하며 최대-유사 대비 평균과 같은 집계 간의 유연성을 제공하여 추천 품질에 영향을 미칩니다.
• 사례 연구는 KPRN이 Ed Sheeran이 부르는 노래를 추천하거나 이전에 시청한 아이템과 비슷하다고 설명하는 등 지식 경로에 대한 명시적 추론을 강조하는 설명을 생성할 수 있음을 보여줍니다.
• 실험에 따르면 메타그래프 기반 FMG는 이 설정에서 성능이 떨어지며, KG 통합으로 이점이 있는 CKE는 KPRN에 비해 히트 및 ndcg 지표 모두에서 뒤처집니다.