核心概念
本文提出了一個名為 Firzen 的統一框架,通過結合多模態內容和知識圖譜,有效解決了推薦系統中嚴格冷啟動和熱啟動項目的問題。
摘要
論文資訊
- 標題:Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
- 作者:Hulingxiao He, Xiangteng He, Yuxin Peng, Zifei Shan, Xin Su
- 機構:北京大學計算機技術研究所 & 多媒體信息處理國家重點實驗室,騰訊微信團隊
- 會議:ICDE 2024
研究目標
本研究旨在解決推薦系統中嚴格冷啟動項目的推薦問題,即那些在訓練數據和測試階段都沒有任何交互記錄的項目。
方法
Firzen 框架結合了多模態內容和知識圖譜,並利用凍結異構和同構圖譜來學習用戶偏好和項目特徵。具體來說,該框架包含以下三個主要組成部分:
-
凍結圖譜構建:
- 協作知識圖譜:整合用戶行為和項目知識,形成一個統一的關係圖譜。
- 基於模態的項目-項目關係圖譜:根據不同模態(例如文本、圖像)的相似性,構建項目之間的關係圖譜。
- 用戶-用戶共現圖譜:根據用戶共同交互過的項目數量,構建用戶之間的關係圖譜。
-
基於側信息的異構圖譜學習 (SAHGL):
- 行為感知圖卷積:利用用戶-項目交互圖譜,學習用戶和項目的行為感知表示。
- 模態感知圖卷積:將原始多模態特徵投影到與交互相關的多模態特徵空間,並聚合用戶-項目交互信息。
- 知識感知圖注意力:利用協作知識圖譜,學習用戶和項目的知識感知表示。
- 基於重要性的信息融合:融合行為感知、模態感知和知識感知的表示,得到用戶和項目的整體表示。
-
基於模態的同構圖譜學習 (MSHGL):
- 在同構圖譜上传播信息:利用基於模態的項目-項目關係圖譜和用戶-用戶共現圖譜,分別在項目和用戶之間傳播信息。
- 基於依賴關係的信息融合:融合從不同模態的項目-項目關係圖譜中提取的項目表示。
主要發現
- Firzen 框架在嚴格冷啟動項目推薦方面顯著優於現有方法,同時在熱啟動項目推薦方面保持了競爭力。
- 該框架的每個組成部分都對性能提升做出了貢獻。
- Firzen 框架能夠有效地減輕知識圖譜噪聲對推薦性能的影響。
意義
本研究提出了一種有效的解決嚴格冷啟動項目推薦問題的框架,並為推薦系統的研究提供了新的思路。
局限性和未來研究方向
- 未來可以進一步探索更豐富的側信息,例如用戶的社交關係、項目的時空信息等。
- 可以研究如何更有效地融合不同模態的信息,以及如何處理知識圖譜中的噪聲和稀疏性問題。
統計資料
在 Amazon Beauty 數據集上,Firzen 在嚴格冷啟動場景下的 MRR@20 達到 5.00%,而在熱啟動場景下的 MRR@20 達到 6.84%。
在 Weixin-Sports 數據集上,Firzen 在嚴格冷啟動場景下的 Recall@20 達到 8.15%,而在熱啟動場景下的 Recall@20 達到 7.21%。
引述
"However, the success of such methods often limits to either warm-start or strict cold-start item recommendation in which some items neither appear in the training data nor have any interactions in the test stage."
"In this paper, we propose a unified framework incorporating multi-modal content of items and KGs to effectively solve both strict cold-start and warm-start recommendation termed Firzen..."