.png){kind=icon}
返回
Knowledge Graph Pruning for Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3769107.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，知识图谱推荐系统（KGRS）得到了蓬勃发展，通过结构化知识显著丰富了用户、物品和实体的表征。然而，其高昂的计算成本仍限制了研究人员探索更复杂的模型。我们观察到训练效率的瓶颈在于知识图谱，其面临知识爆炸的普遍问题。近期，一些研究尝试通过摘要技术精简膨胀的知识图谱，将多个真实节点合并为单个虚拟节点。但这些虚拟节点可能忽略协同信号，从而无法识别与推荐任务相关的冗余节点。为此，本文提出一种面向推荐的全新知识图谱剪枝方法KGTrimmer，旨在移除非必要节点同时最小化性能下降。具体而言，我们设计了基于双视角的重要性评估器：在集体视角下，借鉴集体智能思想，基于丰富的协同信号提取社区共识，即若节点吸引众多用户关注则被视为重要；在整体视角下，学习全局掩码从节点固有属性或整体流行度识别无价值节点。通过集体与整体重要性评分，我们构建了端到端的重要性感知图神经网络，注入过滤后的知识以增强有价值用户-物品协同信号的蒸馏。最终生成轻量、稳定且鲁棒性强的剪枝知识图谱，以促进后续推荐任务。在三个公开数据集上进行的大量实验验证了KGTrimmer的有效性与泛化性，其可将知识图谱三元组数量最多减少90%而无需牺牲性能。
Keyword:
Knowledge Graph Pruning
Recommendation Systems
Graph Neural Networks
Collaborative Filtering
Knowledge Explosion
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
引用论文
分享收藏Leveraging Meta-path based Context for Top- N Recommendation with A Neural Co-Attention Model.png)
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏KGATProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容