知識グラフ拡張グラフ対照学習による知識認識レコメンデーション

科学分野:

• 人工知能
• データサイエンス
• レコメンダーシステム

背景:

• 知識グラフ（KG）の対照学習（CL）は、レコメンデーションシステムにとって不可欠です。
• 既存の方法は、ランダムマスキングによるサンプリングバイアスと解釈性の問題に悩まされています。
• KGとユーザーアイテムインタラゲラフ（UIG）間の情報インバランスは、モデルのパフォーマンスを低下させます。

研究 の 目的:

• 現在のKG-CLメソッドの制限に対処するために、新しいモデルである拡散拡張グラフCL（DAGCL）を提案すること。
• グラフ拡散メカニズムを使用してCLにおけるデータ拡張を改善すること。
• 情報インバランスを軽減し、予測精度に対するUIGの影響を高めること。

主な方法:

• DAGCLは、生成されたグラフが元のUIGに似ていることを保証するために、データ拡張のためにグラフ拡散メカニズムを採用しています。
• KGとUIGの情報のバランスをとるために、グラフ内およびグラフ間CL（GCL）が実装されています。
• 構造拡散グラフは、包括的な拡散表現のために情報拡散グラフと統合されています。

主要な成果:

• 提案されたDAGCLモデルは、3つの実世界のデータセット全体で最先端モデルを大幅に上回っています。
• グラフ拡散メカニズムは、サンプリングバイアスを効果的に回避し、UIGの特性を保持します。
• 組み合わせたCL戦略は、情報インバランスを正常に軽減し、予測精度を向上させます。

結論:

• DAGCLは、レコメンデーションシステムのためのKG-CLへの堅牢で効果的なアプローチを提供します。
• 拡散拡張戦略は、重要なインタラクションパターンと構造的特徴を保持することにより、モデルパフォーマンスを向上させます。
• DAGCLは、レコメンデーションモデルにおけるサンプリングノイズとセマンティック希釈を克服するための重要な進歩を提供します。