Redes de Atenção Gráficas Condicionais para Destilar e Refinar Grafos de Conhecimento em Recomendação

O grafo de conhecimento é geralmente incorporado em sistemas de recomendação para melhorar o desempenho geral. Devido à generalização e escala do grafo de conhecimento, a maioria das relações de conhecimento não é útil para uma previsão de item-usuário alvo. Para explorar o grafo de conhecimento para capturar relações de conhecimento específicas para o alvo em sistemas de recomendação, precisamos destilar o grafo de conhecimento para reservar as informações úteis e refinar o conhecimento para capturar as preferências dos usuários. Para resolver esses problemas, propomos Redes de Atenção Condicionais Conscientes de Conhecimento (KCAN), que é um modelo de ponta a ponta para incorporar o grafo de conhecimento em um sistema de recomendação. Especificamente, usamos uma maneira de propagação de atenção consciente de conhecimento para obter primeiro a representação do nó, que captura a similaridade semântica global na rede de item-usuário e no grafo de conhecimento. Então, dado um alvo, ou seja, um par usuário-item, destilamos automaticamente o grafo de conhecimento em um subgrafo específico para o alvo baseado na atenção consciente de conhecimento. Posteriormente, ao aplicar uma agregação de atenção condicional no subgrafo, refinamos o grafo de conhecimento para obter representações de nó específicas para o alvo. Portanto, podemos obter tanto representatividade quanto personalização para alcançar um desempenho geral. Resultados experimentais em conjuntos de dados do mundo real demonstram a eficácia de nossa estrutura em relação aos algoritmos de última geração.