[论文解读] HAKG: Hierarchy-Aware Knowledge Gated Network for Recommendation

Yuntao Du, Xinjun Zhu+3 more|arXiv (Cornell University)|Apr 11, 2022

Recommender Systems and Techniques被引用 5

一句话总结

HAKG 提出了一种层次感知的知识门控网络，通过在双曲空间中建模用户-物品交互和知识图谱（KG）关系，以捕捉层次结构和高阶协同信号。通过使用双重物品嵌入和门控聚合机制，HAKG 提升了推荐性能与可解释性，在三个基准数据集上优于最先进的方法，如 CKAN、Hyper-Know 和 KGIN。

ABSTRACT

Knowledge graph (KG) plays an increasingly important role to improve the recommendation performance and interpretability. A recent technical trend is to design end-to-end models based on information propagation schemes. However, existing propagation-based methods fail to (1) model the underlying hierarchical structures and relations, and (2) capture the high-order collaborative signals of items for learning high-quality user and item representations. In this paper, we propose a new model, called Hierarchy-Aware Knowledge Gated Network (HAKG), to tackle the aforementioned problems. Technically, we model users and items (that are captured by a user-item graph), as well as entities and relations (that are captured in a KG) in hyperbolic space, and design a hyperbolic aggregation scheme to gather relational contexts over KG. Meanwhile, we introduce a novel angle constraint to preserve characteristics of items in the embedding space. Furthermore, we propose a dual item embeddings design to represent and propagate collaborative signals and knowledge associations separately, and leverage the gated aggregation to distill discriminative information for better capturing user behavior patterns. Experimental results on three benchmark datasets show that, HAKG achieves significant improvement over the state-of-the-art methods like CKAN, Hyper-Know, and KGIN. Further analyses on the learned hyperbolic embeddings confirm that HAKG offers meaningful insights into the hierarchies of data.

研究动机与目标

• 为解决现有知识感知推荐模型在捕捉知识图谱中层次结构和关系方面的局限性。
• 更有效地建模来自用户-物品交互的高阶协同信号，优于以 KG 为中心的聚合方案。
• 通过在双曲空间中保留层次特征，改进用户和物品的表示学习。
• 设计一个统一框架，通过双重嵌入区分并整合协同信号与知识关联。
• 开发一种门控聚合机制，以选择性地提炼判别性信息，用于用户行为模式建模。

提出的方法

• 使用庞加莱球几何在双曲空间中建模用户-物品交互和 KG 实体/关系，以减少层次数据中的失真。
• 设计一种双曲聚合方案，在传播 KG 中关系上下文的同时尊重层次关系。
• 在双曲空间中引入角度约束，以在嵌入空间中保持物品的结构特征。
• 提出双重物品嵌入：一种用于协同信号（来自用户-物品交互），另一种用于知识关联（来自 KG）。
• 实现一种门控聚合机制，根据用户行为模式动态结合来自两种嵌入的信息。
• 采用统一的图学习框架，将用户-物品交互和 KG 整合到一个异构图中，实现端到端训练。

实验结果

研究问题

• RQ1 如何更好地建模知识图谱中的层次结构以提升推荐性能？
• RQ2 双曲空间建模在多大程度上减少了用户-物品和 KG 数据中层次结构的失真？
• RQ3 将协同信号与知识关联分离是否能改善推荐中的表示学习？
• RQ4 门控机制在选择用于用户行为建模的判别性信号方面有多有效？
• RQ5 整合细粒度的层次关系（如分类链接）是否能带来更好的可解释性与性能？

主要发现

• HAKG 在三个基准数据集（Alibaba-iFashion、Amazon-Book 和 Yelp）上显著优于最先进的方法，包括 CKAN、Hyper-Know 和 KGIN。
• 该模型在排名和准确率指标上均表现出色，且在所有数据集上均保持一致的性能提升。
• 学习到的双曲嵌入可视化结果表明，HAKG 有效捕捉了层次结构，如物品中的分类关系。
• 消融实验表明，双重嵌入设计和门控聚合机制对性能至关重要，每个组件均作出了显著贡献。
• 双曲空间中的角度约束有助于保持物品特征，提升了模型区分层次与非层次关系的能力。
• 使用双曲几何可生成更紧凑且更具语义意义的表示，尤其适用于稀疏或层次化数据。