[论文解读] Explainable Entity-based Recommendations with Knowledge Graphs

Rose Catherine, Kathryn Mazaitis+2 more|arXiv (Cornell University)|Jul 12, 2017

Topic Modeling参考文献 11被引用 26

一句话总结

本文提出了一种新颖的、无需训练的方法，通过联合排名项目与知识图谱实体，利用个性化PageRank生成可解释的、基于实体的推荐。该方法结合用户偏好与图结构事实，生成具有语义关联实体推导出的可解释性解释的排名推荐。

ABSTRACT

Explainable recommendation is an important task. Many methods have been proposed which generate explanations from the content and reviews written for items. When review text is unavailable, generating explanations is still a hard problem. In this paper, we illustrate how explanations can be generated in such a scenario by leveraging external knowledge in the form of knowledge graphs. Our method jointly ranks items and knowledge graph entities using a Personalized PageRank procedure to produce recommendations together with their explanations.

研究动机与目标

• 解决基于知识图谱的推荐系统中缺乏解释生成的问题。
• 在用户评论或文本反馈不可用时，仍能实现解释生成。
• 通过联合排名项目与知识图谱实体，同时生成推荐与可解释的依据。
• 通过用户对实体的反馈，支持动态、对话式推荐的迭代优化。
• 提供可部署的、无需训练的框架，便于在新领域中快速适应。

提出的方法

• 使用ProPPR（基于个性化PageRank的编程）查询并基于知识图谱对逻辑规则进行归因，实现项目与实体的联合排名。
• 通过规则定义实体间的递归相似性：身份关系（sim(X,X)）与基于路径的相似性（sim(X,E) ← link(X,Z), sim(Z,E)）。
• 应用两组规则预测用户偏好：一组用于‘willLike’，另一组用于‘willDislike’，依据用户对实体或项目的显式喜好/厌恶。
• 利用用户提供的对实体（如汤姆·汉克斯）或项目（如《达芬奇密码》）的喜好/厌恶，推断相关实体与项目的偏好。
• 从willLike(U,E,M)谓词出发运行个性化PageRank，为候选推荐与解释计算得分。
• 通过累加每部电影的‘喜欢’得分并减去‘厌恶’得分，综合结果，并根据实体对最终得分的联合贡献度对实体进行排序。

实验结果

研究问题

• RQ1 当无用户评论或文本反馈时，能否为基于知识图谱的推荐生成解释？
• RQ2 如何将知识图谱实体与项目联合排名，以作为推荐的可解释性依据？
• RQ3 基于逻辑规则与个性化PageRank的无训练方法能否生成准确且可解释的推荐？
• RQ4 用户对实体的反馈（如喜欢汤姆·汉克斯）如何通过知识图谱传播，以解释项目推荐？
• RQ5 系统能否通过用户对实体的反馈，支持交互式、对话式的推荐优化？

主要发现

• 该方法仅依赖知识图谱的链接事实与用户偏好，无需评论文本即可成功生成推荐解释。
• 以用户'alice'为例，其喜欢汤姆·汉克斯与《达芬奇密码》，系统生成的联合排名及得分为：《间谍之桥》（0.7）、《叛国者》（0.2）、《斯诺登》（0.3）。
• 系统为《叛国者》赋予负分（−0.2），原因在于用户厌恶‘犯罪’类电影，该因素反映在最终推荐得分中。
• 实体如‘汤姆·汉克斯’与‘惊悚剧情’被识别为推荐《间谍之桥》的关键原因，体现了方法的可解释性。
• 该方法可直接部署于实际场景，目前已在基于IMDb衍生知识图谱的移动个人代理中用于电影推荐。
• 该方法支持交互式优化——例如通过调整对实体的偏好来改变推荐结果——适用于对话式推荐系统。