[论文解读] Explainable Reasoning over Knowledge Graphs for Recommendation

Xiang Wang, Dingxian Wang+4 more|arXiv (Cornell University)|Nov 12, 2018

Advanced Graph Neural Networks参考文献 27被引用 80

一句话总结

介绍 Knowledge-aware Path Recurrent Network (KPRN)，通过对包含实体和关系的多跳知识图路径进行推理，以预测用户-物品交互并为推荐提供路径级解释。

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.

研究动机与目标

• 研究知识图如何在超越直接用户-物品交互方面增强推荐系统。
• 建模连接用户与物品的多跳路径的序列语义。
• 通过对路径贡献进行加权和聚合来提供路径级解释。
• 证明显式路径推理在推荐准确性方面优于仅嵌入的方法。
• 发布数据集和代码以支持 KG 驱动的推荐研究。

提出的方法

• 提出 Knowledge-aware Path Recurrent Network (KPRN)，通过组合实体和关系语义来构建路径表示。
• 将每条路径表示为实体和关系嵌入的序列，输入到 LSTM 以捕获序列依赖。
• 对路径分数进行加权池化（log-sum-exp），以聚合路径证据并实现可解释性。
• 使用负对数似然和 L2 正则化，以二分类目标端到端训练模型。
• 将知识图与用户-物品交互合并为一个富化的知识图，以进行路径提取。
• 在电影和音乐数据集上将 KPRN 与 MF、NFM、CKE、FMG 基线进行比较。

实验结果

研究问题

• RQ1 RQ1：KPRN 相较于最先进的 KG 增强推荐方法的表现如何？
• RQ2 RQ2：对多步路径建模和引入关系语义如何影响 KPRN 的性能？
• RQ3 RQ3：KPRN 是否能够对路径进行推理以推断用户偏好并为推荐提供解释？

主要发现

• KPRN 在 top-K 推荐指标上显著优于基线，展示了基于路径的推理相对于仅嵌入方法的优势。
• 引入关系建模（KPRN 与 KPRN-r）提升了性能，特别是在连接用户和物品的不同关系的路径较多的密集数据集上。
• 加权池化使路径级重要性成为可能，并在最大值式与均值式聚合之间提供灵活性，影响推荐质量。
• 案例研究显示 KPRN 能生成解释，如因为歌曲由 Ed Sheeran 演唱或类似于之前观看的项目而推荐某首歌，突显对知识路径的明确推理。
• 实验表明在此设置下基于元图的 FMG 表现不佳，而 CKE 受益于 KG 集成，但在 hit 和 ndcg 指标上都被 KPRN 超越。