Rede de atenção de gráfico contextualizado para recomendação com gráfico de conhecimento de item
Resumo:
Nos últimos anos, a rede neural de grafos (GNN) tem sido aplicada ao desenvolvimento de grafos do conhecimento (KG). Os métodos existentes baseados em GNN modelam a relação de dependência entre entidades e seu contexto de mapa local no KG. , Mas pode não ser capaz de capturar efetivamente seu contexto de grafo não local (por exemplo, o conjunto de seus vizinhos de primeira ordem, o conjunto mais relevante de vizinhos de ordem superior). Neste artigo, propomos uma nova estrutura de recomendação - Contextual Graph Attention Network (CGAT), que pode utilizar explicitamente as informações de contexto de grafos locais e não locais de entidades no KG. Em particular, o CGAT captura informações de contexto local por meio de um mecanismo de atenção gráfico específico do usuário, levando em consideração as preferências personalizadas do usuário por entidades. Além disso, o CGAT usa um processo de amostragem de passeio aleatório tendencioso para extrair o contexto não local de uma entidade e usa uma rede neural recorrente (RNN) para modelar a dependência entre a entidade e suas entidades de contexto não local. A fim de capturar a preferência personalizada do usuário por itens, este artigo também estabelece um mecanismo de atenção específico do item para simular a dependência entre o item de destino e o item contextual extraído do comportamento histórico do usuário. Os resultados experimentais em conjuntos de dados reais verificam a eficácia do CGAT e comparam com o método de recomendação mais recente baseado em KG.