[论文解读] Knowledge-aware Neural Collective Matrix Factorization for Cross-domain Recommendation

Li Zhang, Ge Yan+3 more|arXiv (Cornell University)|Jun 27, 2022

Recommender Systems and Techniques被引用 4

一句话总结

该论文提出KG-NeuCMF，一种知识感知的神经集体矩阵分解框架，通过整合知识图谱（KGs）来增强跨域推荐，通过联合学习来自KG结构化知识的领域特定和领域通用的项目表征。通过利用图自编码器和用户-项目交互与KG嵌入之间的互信息最大化，该模型显著优于最先进基线模型，在冷启动和稀疏场景下的MAE指标上最高实现21%的相对提升。

ABSTRACT

Cross-domain recommendation (CDR) can help customers find more satisfying items in different domains. Existing CDR models mainly use common users or mapping functions as bridges between domains but have very limited exploration in fully utilizing extra knowledge across domains. In this paper, we propose to incorporate the knowledge graph (KG) for CDR, which enables items in different domains to share knowledge. To this end, we first construct a new dataset AmazonKG4CDR from the Freebase KG and a subset (two domain pairs: movies-music, movie-book) of Amazon Review Data. This new dataset facilitates linking knowledge to bridge within- and cross-domain items for CDR. Then we propose a new framework, KG-aware Neural Collective Matrix Factorization (KG-NeuCMF), leveraging KG to enrich item representations. It first learns item embeddings by graph convolutional autoencoder to capture both domain-specific and domain-general knowledge from adjacent and higher-order neighbours in the KG. Then, we maximize the mutual information between item embeddings learned from the KG and user-item matrix to establish cross-domain relationships for better CDR. Finally, we conduct extensive experiments on the newly constructed dataset and demonstrate that our model significantly outperforms the best-performing baselines.

研究动机与目标

• 解决现有跨域推荐（CDR）模型仅依赖共用用户或映射函数的局限性，这些方法无法充分利用跨域项目之间的丰富语义关系。
• 通过将知识图谱（KGs）作为自然桥梁，整合领域通用和领域特定知识，以克服双向CDR中的负迁移挑战。
• 开发一个统一框架，将从用户-项目交互矩阵学习到的项目表征与从KG中提取的表征对齐，以提升跨域推荐性能。
• 构建一个新的公开基准数据集AmazonKG4CDR，以支持知识图谱感知的跨域推荐研究的可复现性。
• 通过利用在用户交互数据有限时仍具信息量的基于KG的项目表征，提升冷启动和数据稀疏场景下的性能。

提出的方法

• 通过将Freebase KG与Amazon Review Data中的两个域对（电影-音乐、电影-图书）相结合，构建AmazonKG4CDR数据集，利用共享实体和关系实现跨域项目链接。
• 采用基于关系图卷积自编码器（RGCN-based）学习KG中的项目嵌入，捕捉跨域的邻近及高阶邻域信息。
• 引入神经互信息估计器，以最大化来自用户-项目交互矩阵的项目嵌入与KG嵌入之间的相关性，确保有效的跨域对齐。
• 在神经集体矩阵分解（NeuCMF）框架中统一基于KG的项目表征与用户-项目交互嵌入，实现端到端推荐。
• 在KG嵌入学习过程中应用对比学习原则，以提升鲁棒性和泛化能力，尤其是在大规模KG存在噪声的情况下。
• 采用两阶段训练流程：首先通过图自编码预训练KG嵌入，然后在互信息正则化目标下与用户-项目交互数据联合微调。

实验结果

研究问题

• RQ1 知识图谱能否作为有效桥梁，通过共享语义知识链接不同域中的项目，从而提升跨域推荐性能？
• RQ2 如何联合学习来自用户-项目交互和知识图谱的项目表征，以捕捉领域特定和领域通用知识？
• RQ3 从KG中引入高阶邻域信息对稀疏或冷启动场景下的推荐性能有何影响？
• RQ4 用户-项目交互嵌入与基于KG的项目嵌入之间的互信息最大化如何改善跨域迁移学习？
• RQ5 与仅依赖用户重叠或嵌入映射函数的现有CDR模型相比，知识图谱感知框架在多大程度上表现更优？

主要发现

• 所提出的KG-NeuCMF模型在电影-音乐跨域推荐任务中，相较于最强基线模型，MAE指标实现了21%的相对提升，证明了其显著的性能增益。
• 在电影-图书任务中，该模型相比最强基线模型将MAE降低了15.18%，凸显其在多样化域设置下的有效性。
• 在电影-图书任务中，该模型取得了90.80 ± 0.22的最佳F1_score，优于所有基线模型，包括最先进的CDR模型DDTCDR和CoNet。
• 消融研究显示，基于互信息的KG嵌入与用户-项目嵌入对齐方法表现最佳，优于简单的拼接或通过MLP的精炼方法。
• 在冷启动场景下，该模型通过利用基于KG的表征为新项目提供支持，显著优于NCF和CMF，有效缓解了数据稀疏性带来的性能下降。
• 在稀疏领域（如音乐）中，该模型性能尤为突出，KG集成更有效地缓解了数据稀疏性，而在更密集的领域中效果相对较弱，证实了KG在低数据场景下的价值。