知识增强图神经网络用于可解释性推荐

2024-06-18 Tue
知识增强图神经网络用于可解释推荐导言随着线上信息爆炸式的增长，推荐系统在解决信息超载问题方面发挥着重要作用。传统推荐系统通常依赖协同过滤（Collaborative Filtering，简称CF）方法，这些方法依据用户的历史记录生成推荐。CF方法主要分为记忆型和模型型技术。记忆型方法包括基于用户和基于项目的CF，而模型型方法通过学习模型，例如矩阵分解来进行推荐。近年来，深度学习技术在信息检索和推荐系统研究中展现出了极高的有效性。许多基于深度学习的推荐方法取得了高推荐性能。然而，尽管这些方法在推荐准确性上表现出色，它们缺乏决策过程的可解释性和透明性。为了提升推荐系统的透明性和用户满意度，解释性推荐的研究逐渐受到关注。解释性推荐不仅使推荐更加透明和可解释，还提升了系统的可信度和用户满意度。
论文来源本文题为《Knowledge Enhanced Graph Neural Networks for Explainable Recommendation》，由中科院深圳先进技术研究院的Ziyu Lyu、Min Yang，重庆邮电大学的Yue Wu，中科大Junjie Lai，中山大学Chengming Li和重庆大学Wei Zhou合作完成。论文于2023年5月发表于IEEE Transactions on Knowledge and Data Engineering上。
研究工作流程
a) 研究流程本文提出了一种知识增强图神经网络（KEGNN）用于可解释推荐。知识增强图神经网络的方法包括以下几步：
知识增强语义表示学习首先对用户、项目及用户-项目交互学习语义表示，使用外部知识库加强语义表示。对于用户和物品，汇总其历史评论，考虑评论的时间序列性，建立文本文档，通过双向长短时记忆网络（BiLSTM）捕捉全局和句子级的上下文表示，并通过知识库检索相关知识增强语义表示。
用户行为学习与推理在获知语义表示的基础上，我们构建用户行为图，其中节点包括用户和项目，边表示用户-项目交互关系。用户行为图以知识增强的语义表示为初始嵌入，通过图神经网络（GNN）实现信息传播和推理，捕捉高阶结构信息，并进行多跳推理。
分层神经协同过滤在用户行为学习和推理后，设计了分层的神经协同过滤层，进行用户-项目交互预测。第一层连接用户和物品表示，第二层与用户-项目的关系嵌入结合，通过高级神经网络层预测评分。
解释生成设计了融合生成模式和复制机制的解释生成模块，采用门控循环单元（GRU）生成类人文本解释，并通过复制机制从源评论中选择段落生成解释。
b) 主要研究结果本文在三个真实数据集上的实验表明，KEGNN在预测准确性和解释性上均优于现有方法：
电子产品数据集中，KEGNN在均方根误差（RMSE）上取得了9.74%的改进，在平均绝对误差（MAE）上取得了4.02%的改进。
家庭与厨房数据集中，KEGNN在RMSE上取得了0.88%的提升，在MAE上取得了2.59%的提升。
音乐器材数据集中，KEGNN在RMSE上提升了7.38%，在MAE上提升了1.63%。
此外，KEGNN能够生成高质量、类人类的文本解释，解释性指标（如Rouge-1、Rouge-2、Rouge-L的Precision和F1 Score）均显著优于对比方法。
c) 研究结论KEGNN方法通过外部知识库增强语义表示，并在用户行为图上进行推理，能够综合理解用户行为。通过分层协同过滤和融合复制机制的解释生成模块，实现了准确性高且具解释性的推荐结果。该研究展示了通过融合知识增强、图神经网络和深度学习方法，有效提高推荐系统解释性和用户满意度的可行性。
d) 研究亮点知识增强： 从外部知识库获取知识，增强用户、物品及其交互的语义表示。
用户行为图： 构建用户行为图，并通过图神经网络实现高阶推理与偏好传播。
分层协同过滤：设计了分层神经协同过滤层，结合用户-项目关系进行精确评分预测。
生成解释：融合复制机制与GRU生成类人解释，使推荐结果更加直观可理解。
e) 其他信息本文还包含对模型组件的重要性分析，通过对比删除不同模块后的性能变化，表明每个设计模块对最终结果的贡献。误差分析结果揭示了模型对不同评分类型预测准确性的不平衡，指出了后续可以改进的方向，并列举了生成解释的实际案例，具体展示了模型的解释性。
总结本文通过提出KEGNN方法，充分利用外部知识库、图神经网络和深度学习技术，解决了推荐系统中准确性与解释性之间的平衡问题。研究表明，在提升推荐性能的同时，KEGNN能够提供高质量的可解释性解释，对于提升用户体验与系统透明度具有重要意义。这一方法在多领域的推荐系统中具有广泛的应用前景。