[论文解读] Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation

Xinni Zhang, Yankai Chen+4 more|arXiv (Cornell University)|Sep 28, 2022

Recommender Systems and Techniques被引用 5

一句话总结

本文提出KPER，一种具备个性化特征引用功能的知识感知神经网络，以解决冷启动推荐问题。通过利用知识图谱作为语义桥梁，将语义相似但结构上相距较远的用户/物品识别为自适应种子，并应用门控信息聚合来丰富潜在特征，KPER在四个真实数据集的Top-10推荐中分别实现了1.01%–14.49%和0.81%–16.08%的性能提升，优于现有方法在冷启动和通用场景下的表现。

ABSTRACT

Incorporating knowledge graphs (KGs) as side information in recommendation has recently attracted considerable attention. Despite the success in general recommendation scenarios, prior methods may fall short of performance satisfaction for the cold-start problem in which users are associated with very limited interactive information. Since the conventional methods rely on exploring the interaction topology, they may however fail to capture sufficient information in cold-start scenarios. To mitigate the problem, we propose a novel Knowledge-aware Neural Networks with Personalized Feature Referencing Mechanism, namely KPER. Different from most prior methods which simply enrich the targets' semantics from KGs, e.g., product attributes, KPER utilizes the KGs as a "semantic bridge" to extract feature references for cold-start users or items. Specifically, given cold-start targets, KPER first probes semantically relevant but not necessarily structurally close users or items as adaptive seeds for referencing features. Then a Gated Information Aggregation module is introduced to learn the combinatorial latent features for cold-start users and items. Our extensive experiments over four real-world datasets show that, KPER consistently outperforms all competing methods in cold-start scenarios, whilst maintaining superiority in general scenarios without compromising overall performance, e.g., by achieving 0.81%-16.08% and 1.01%-14.49% performance improvement across all datasets in Top-10 recommendation.

研究动机与目标

• 解决用户或物品交互历史极少的冷启动推荐问题。
• 克服现有知识感知模型依赖拓扑传播且在交互稀疏情况下表现不佳的局限性。
• 在不依赖密集交互结构的前提下，实现对冷启动用户和物品的有效潜在特征增强。
• 在显著提升冷启动性能的同时，保持在通用推荐场景下的强性能表现。
• 引入个性化特征引用机制，识别语义相关但结构上相距较远的代表作为特征迁移的参考。

提出的方法

• KPER采用三模块流水线：交互信息编码、注意力知识编码和个性化特征引用。
• 交互信息编码通过基于注意力的聚合机制，从观测到的交互中总结用户和物品的表征。
• 注意力知识编码在保留用户与物品间多样性的同时，从知识图谱中提取多跳知识。
• 个性化特征引用通过自适应种子探测，识别语义相似但结构上相距较远的用户或物品作为特征引用参考。
• 采用连续近似方法稳定种子探测过程中的训练，随后通过门控信息聚合将参考特征与目标嵌入结合。
• 通过对比学习目标联合优化用户和物品嵌入，以增强语义对齐。

实验结果

研究问题

• RQ1 能否利用知识图谱作为语义桥梁，提升冷启动用户和物品的表征学习？
• RQ2 基于语义相似但结构上相距较远的实体的个性化特征引用，是否在交互稀疏环境下优于基于拓扑驱动的信息传播？
• RQ3 所提方法是否能在显著提升冷启动性能的同时，保持在通用推荐场景下的强性能表现？
• RQ4 交互编码、注意力知识编码和特征引用等设计选择如何影响模型性能？
• RQ5 知识提取的最佳深度和采样大小为何值，才能实现鲁棒且泛化性强的性能表现？

主要发现

• KPER在所有四个数据集的Top-10推荐准确率上均实现0.81%至16.08%的相对提升，其中冷启动场景下的增益最大。
• 消融实验表明，移除个性化特征引用模块导致性能下降最明显，验证了其关键作用。
• 注意力知识编码模块贡献显著，移除注意力后在所有数据集上均出现明显性能下降。
• 交互信息编码至关重要，无此模块的变体表现出持续的性能退化，证实其在学习稀疏交互中的价值。
• 最优采样大小为8–16个邻居，知识提取深度为2时性能最佳，表明更长的路径会引入噪声。
• KPER在通用推荐场景中仍保持强性能，表明冷启动性能的提升并未损害整体有效性。