嵌入担保器：基于知识增强的图学习方法在新增项目冷启动推荐中的应用

《IEEE Transactions on Emerging Topics in Computational Intelligence》：Embedding Guarantor: Knowledge-Enhanced Graph Learning for New Item Cold-Start Recommendation

图神经网络在推荐系统中通过整合高阶邻域协作信息生成有效嵌入，但新物品冷启动场景中因缺乏邻域信息导致嵌入质量下降。本文提出的KEGL方法通过知识图谱参数化节点与关系，引入知识增强的嵌入生成机制与门控注意力聚合器，有效解决冷启动问题。实验表明KEGL在冷启动推荐中优于现有方法。

　　

摘要：

图神经网络（GNNs）在推荐系统中得到了广泛应用，因为它们能够通过整合来自邻居的高阶协作信息来生成有效的嵌入向量。然而，传统的基于GNN的推荐方法在新物品的冷启动场景中存在局限性。这是因为新物品通常没有或只有很少的邻居，从而导致冷启动场景不完整或完全无法进行推荐。在这种情况下，由于邻居信息有限，传统的GNN难以生成高质量的嵌入向量。为此，我们提出了一种知识增强图学习（KEGL）方法，该方法能够确保新物品的嵌入质量，并进一步在冷启动场景下实现有效的推荐。KEGL首先利用知识图谱中的语义信息将每个节点和关系参数化为向量表示。然后，KEGL引入了一个知识增强的嵌入生成器，为每个实体生成一个有保证的嵌入向量，从而在卷积过程中保证每个节点的嵌入质量，特别是对于冷启动物品及其邻居。此外，KEGL采用了一个知识增强的门控注意力聚合器，根据每个节点的特定特征捕获高阶协作信息和语义表示，从而保证不同类型节点的嵌入具有独特性。最后，系统会向目标用户推荐预测交互概率最高的个未交互过的物品。在两个公开数据集上的实验结果表明，KEGL在新物品冷启动推荐方面的性能优于现有的最先进方法。

引言

推荐系统（RSs）在帮助用户从海量物品中发现符合他们兴趣的物品方面发挥着关键作用。这可以有效解决信息过载的问题[1]、[2]、[3]、[4]、[5]。现有的实际平台（例如Amazon和Yelp）不断推出大量新物品，因此将这些新物品推荐给潜在用户至关重要。这不仅提升了用户体验，还增加了新物品的曝光度和销量，从而促进了应用平台的收入增长。因此，新物品推荐具有重要的商业和研究价值[6]、[7]、[8]、[9]。