推奨のためのクォータニオンベースの知識グラフネットワーク

最近、データのスパース性とコールドスタートの問題を緩和するために、推奨システムにおける知識グラフ（KG）の使用に多くの研究努力が注がれています。既存のKGベースのモデルのほとんどは、実数値の埋め込みを使用してユーザーやアイテムを表現するのが一般的です。しかし、複雑数や超複雑数と比較して、これらの実数値ベクトルは表現能力が低く、内在的な非対称特性を持っていないため、KGにおけるエンティティと関係の相互作用のモデリングを制限する可能性があります。本論文では、ユーザーとアイテムを超複雑空間のクォータニオン埋め込みで表現するクォータニオンベースの知識グラフネットワーク（QKGN）を推奨のために提案します。これにより、エンティティと関係の潜在的な相互依存性を効果的に捉えることができます。モデルの核心では、Hamilton積に基づく意味的マッチング原則が統一されたユーザー-アイテムKGから表現力豊かなクォータニオン表現を学習するために適用されます。これに加え、これらの埋め込みは、構造情報を考慮したカスタマイズされた好み伝播メカニズムによって注意深く更新されます。最後に、提案されたQKGNを音楽、映画、書籍の3つの実世界データセットに適用し、実験結果は我々の手法の妥当性を示しています。