[论文解读] Ekar: An Explainable Method for Knowledge Aware Recommendation

Weiping Song, Zhijian Duan+4 more|arXiv (Cornell University)|Jun 22, 2019

Recommender Systems and Techniques被引用 12

一句话总结

该论文提出 Ekar，一种可解释的知识感知推荐方法，通过在用户-物品-实体知识图上使用深度强化学习生成用户到物品的推荐路径。通过将路径发现建模为具有奖励塑形的序列决策过程，Ekar 在保持人类可解释性推理路径的同时，实现了最先进性能，在三个真实世界数据集上显著优于现有的基于知识图的方法。

ABSTRACT

This paper studies recommender systems with knowledge graphs, which can effectively address the problems of data sparsity and cold start. Recently, a variety of methods have been developed for this problem, which generally try to learn effective representations of users and items and then match items to users according to their representations. Though these methods have been shown quite effective, they lack good explanations, which are critical to recommender systems. In this paper, we take a different route and propose generating recommendations by finding meaningful paths from users to items. Specifically, we formulate the problem as a sequential decision process, where the target user is defined as the initial state, and the edges on the graphs are defined as actions. We shape the rewards according to existing state-of-the-art methods and then train a policy function with policy gradient methods. Experimental results on three real-world datasets show that our proposed method not only provides effective recommendations but also offers good explanations.

研究动机与目标

• 为解决基于知识图的推荐系统中可解释性的缺乏问题，这些系统通常依赖于不透明的表征。
• 通过在知识图上进行序列决策，生成有意义且人类可解释的从用户到推荐物品的路径。
• 通过利用结构化的知识图信息来提升推荐性能，同时保持可解释性。
• 通过强化学习克服大规模用户-物品-实体图中路径枚举的不可行性。
• 设计一种奖励塑形机制，利用预训练的知识图嵌入来增强稀疏强化学习信号。

提出的方法

• Ekar 将用户到物品的路径生成建模为一个序列决策过程，其中用户为初始状态，图边为动作。
• 使用 REINFORCE 算法训练策略网络，以基于用户-物品交互数据最大化期望奖励。
• 通过使用预训练的知识图嵌入模型（如 ConvE 或 DistMult）进行奖励塑形，以在训练期间提供密集且信息丰富的信号。
• 该方法使用最先进的知识图嵌入（KGE）模型初始化实体和关系嵌入，并将它们同时用于奖励塑形和策略初始化。
• 路径生成过程是端到端可微的，使模型能够从用户到物品学习有意义的多跳推理路径。
• 解释以自然语言路径的形式提供（例如，用户 → 电影 → 演员 → 电影），这些路径具有可解释性且基于知识图。

实验结果

研究问题

• RQ1 基于强化学习的方法能否在知识图增强的推荐系统中生成有意义且可解释的推荐路径？
• RQ2 使用预训练知识图嵌入进行奖励塑形在稀疏环境中的路径查找中，如何提升样本效率和性能？
• RQ3 Ekar 在准确性和可解释性方面相较于现有基于知识图的推荐模型，其性能提升程度如何？
• RQ4 所提出的方法在不同知识图嵌入架构（如 ConvE 与 DistMult）下是否具有鲁棒性？
• RQ5 Ekar 模型的收敛速度如何？收敛速度是否随数据集密度而变化？

主要发现

• Ekar 在三个真实世界数据集上实现了最先进性能，在 MovieLens-1M 数据集上 HR@10 达到 0.1994，NDCG@10 达到 0.3699，优于 ConvE-Rec 和 DistMult-Rec。
• 使用 ConvE 的 Ekar 表现优于使用 DistMult 的 Ekar，这与 ConvE 在知识图补全任务中已知的优越性一致。
• Ekar*（经微调策略）表现最佳，在 MovieLens-1M 数据集上 HR@10 为 0.1994，NDCG@10 为 0.3699，表明策略微调的益处。
• 该模型在密集的 MovieLens-1M 数据集上于十分钟内收敛，而在更稀疏的数据集（如 DBbook2014）上收敛时间更长，反映出数据稀疏性对探索的影响。
• 案例研究显示，Ekar 生成直观且人类可读的路径（例如，用户 → 震撼的泰坦尼克号 → 莱昂纳多·迪卡普里奥 → 罗密欧与朱丽叶），为推荐提供了清晰解释。
• 该方法具有模块化特性，且不依赖于特定的 KGE 模型，因为当从 ConvE 切换到 DistMult 用于初始化和奖励塑形时，性能表现相当。