知识图谱增强推荐中的跨模态超边对齐

《Knowledge-Based Systems》：Cross-modal hyperedge alignment for knowledge graph augmented recommendation

　　

刘云|刘欣|段一军|李子强|市濑龙太郎|马昭义|马强

摘要

为了通过引入丰富的关系语义来缓解数据稀疏性问题，基于知识图谱的推荐系统受到了广泛研究。然而，现有的基于知识图谱的模型由于缺乏可靠的用户-物品监督机制，难以有效处理长尾物品，这限制了知识图谱在推荐任务中的应用。为了解决这些难题，我们提出了CHAKG，这是一种跨模态超边对齐框架，它通过高效且选择性的交互传递来弥补缺失的监督信息。CHAKG将知识图谱以及用户-物品交互图都映射到潜在的超边空间中，从而能够在无需复杂的多跳传播的情况下，实现对交互频繁的物品与长尾物品之间高阶语义共现的轻量级建模。在此基础上，CHAKG引入了一种基于一致性引导的交互传递机制，通过可学习的去噪过程，选择性地将来自交互频繁物品的可靠信号传递给长尾物品。此外，该框架还采用了跨模态对比对齐目标，以确保知识视图与交互视图之间的语义一致性，进而提升在稀疏监督条件下的鲁棒性和泛化能力。在四个基准数据集上的大量实验表明，CHAKG在准确率和效率方面均达到了现有最佳水平，尤其是在冷启动和长尾推荐场景中表现优异。