.png){kind=icon}
返回
IDiffKG: Deterministic and implicit knowledge graph diffusion for recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116660.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识感知推荐受益于外部语义，但其有效性常受限于知识图谱（KG）结构中的噪声和任务无关性。现有基于扩散的方法提供了原则性的去噪视角，但其随机反向轨迹可能引入额外方差并削弱KG重建过程中推荐相关关系模式的保持。我们提出IDiffKG，一种确定性和隐式KG扩散框架，通过非马尔可夫反向过程解决面向推荐的KG精炼问题。IDiffKG在保持标准扩散训练目标的同时，用可控的确定重建替代随机反向采样，用协同信号校准重建关系，并通过交叉视图对比学习对齐原始与重建图。这种设计使扩散明确面向推荐，而不仅仅是生成性。在三个跨领域的公开基准数据集上的实验表明，相比代表性基线，该方法在Recall@20和NDCG@20上分别实现了最高7.71%和8.15%的相对提升。消融实验和敏感性分析进一步表明，确定重建、协同校准和交叉视图对齐具有互补作用，而所提方法提供了可控的精度-效率权衡。这些结果说明，可控的、行为基础的KG精炼是隐式扩散在知识图谱推荐中的一种有效应用。
Keyword:
Recommendation systems
Knowledge graph
Implicit diffusion
Contrastive learning
