结合项目属性协作信号减少无关邻域的推荐

在推荐系统中,知识图谱(knowledge graph,KG)作为辅助信息,提高了算法的性能以及可解释性。但在聚合多跳邻居时,它通常把所有的实体信息加以聚合并传播。KG中不是所有的信息都有助于改善推荐结果,当聚合邻域信息不加以区分时,实体的嵌入就会受到不相关实体的干扰。针对上述问题,提出一个项目属性协作信号和筛选高相关的邻域策略的模型(RUNCS),用以提高推荐的效果。具体来说,把点击过相同项目的用户称为相似邻居,通过相似邻居点击的项目和KG中的项目属性相结合,从而得到项目属性协作集;通过计算项目属性的相似性,得到相关性分数,用以筛选高相关的邻居;利用注意力机制对其分配权重进行信息聚合。在音乐和电影两个基准数据集中的实验结果表明,与现有最优主流方法相比,该模型在CTR预测上AUC提升0.6~2.7个百分点。