Recomendaciones Personalizadas utilizando Grafos de Conocimiento

Mejorar el rendimiento de los sistemas de recomendación utilizando grafos de conocimiento es una tarea importante. Se han propuesto muchos sistemas híbridos en el pasado que utilizan una mezcla de técnicas de filtrado basado en contenido y colaborativo para aumentar el rendimiento. Más recientemente, algunos trabajos se han centrado en recomendaciones que utilizan grafos de conocimiento externos (KGs) para complementar la recomendación basada en contenido. En este artículo, investigamos tres métodos para hacer recomendaciones basadas en KG utilizando un sistema de lógica probabilística de propósito general llamado ProPPR. El más simple de los modelos, EntitySim, utiliza solo los vínculos del grafo. Luego, extendemos el modelo a TypeSim que también utiliza los tipos de las entidades para mejorar sus capacidades de generalización. A continuación, desarrollamos un modelo de factores latentes basado en grafos, GraphLF, que combina las fortalezas de la factorización latente con grafos. Compararemos nuestros enfoques con un método de recomendación de grafos de última generación propuesto recientemente en dos grandes conjuntos de datos, Yelp y MovieLens-100K. Los experimentos ilustran que nuestros enfoques pueden ofrecer grandes mejoras en el rendimiento. Además, demostramos que los grafos de conocimiento ofrecen la máxima ventaja cuando el conjunto de datos es escaso y, gradualmente, se vuelven redundantes a medida que hay más datos de entrenamiento disponibles, siendo así más útiles en configuraciones de inicio en frío.