Integrate Knowledge Graph and Attribute Attention Mechanism to Achieve Explainable Recommendation System

論文翻譯標題: 結合知識圖與屬性注意力機制以增強推薦系統的可解釋性
  • 林 怡瑄

學生論文: Doctoral Thesis

摘要

推薦系統扮演著替使用者篩選需要資訊的角色,近年來的研究顯示使用深度學習的方法,可以更好的去預測使用者喜好的物品,深度學習模型會自己去調整參數的數值,然而這些由模型自己學出來的參數有著不可解釋的問題,這也讓人們很難了解模型背後推薦的機制,難以對模型進行近一步的分析。 為了進一步提升推薦的效能,近年來開始有研究將知識圖納入了推薦之中,其中一類研究只用知識圖來拿到更多的物品特徵,沒有去解決不可解釋的問題,另一類的研究沒有去學習知識圖的表達以及背景知識,直接將知識圖中的路徑作為模型的輸入,在知識圖的資訊有所遺漏時,會無法做出好的推薦。還有一類研究在解釋上面注重在知試圖的關係層面上,因此當有圖中多個不同的屬性與商品或使用者屬於同一個關係時,模型只能解釋在推薦時考慮的關係比重,而不能在屬性層面上做出解釋。 基於上述推薦系統的限制,本研究提出一個結合知識圖以及擁有屬性可解釋性的推薦系統,由知識圖的推論中得到屬性的解釋,因此當模型推薦進行推薦時,可以說明商品被推薦的原因,是因為模型考慮了商品或是使用者本身的哪些特性。此外,為了解決前述屬性遺失的問題,本研究提出的模型除了學習知識圖的表達以及背景知識以外,還會根據目前學習到的知識去預測知識圖中遺失的資訊,並將資訊加入推薦的考量當中。 為了驗證本研究的有效性,我們採用了兩個不同領域的資料集,並分別實驗模型在使用者喜好預測與遺失屬性預測上的效能,由實驗證明,本研究提出模型在不同的資料集以及不同的任務中,預測的結果優於先前的推薦系統的模型(BPR、NeuMF)、知識圖預測模型(TransE、TransH、SimplE)以及其他結合知識圖的推薦模型(KTUP)。
獎項日期2020
原文English
監督員Jung-Hsien Chiang (Supervisor)

引用此

'