.png){kind=icon}
返回
Knowledge Memory Graph convolution network for cross-domain recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113415.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
跨域推荐系统（CDR）通过利用相关领域的信息来解决数据稀疏性问题。如今，图神经网络（GNNs）被广泛用于捕捉高阶协同关系，进一步增强了CDR在处理数据稀疏性方面的有效性。然而，基于GNN的CDR方法在建模用户综合偏好方面仍面临挑战：（1）现有仅依赖GNN的方法由于语义信息分解的限制，难以捕捉细粒度用户偏好（例如属性级别）；（2）学习到的嵌入表示高度抽象，难以理解和解释；（3）现有方法的最优性能通常在类似2至4层的层次上达到瓶颈，这是由GNN固有的过平滑问题引起的。为解决这些挑战，我们提出了知识记忆图卷积网络用于跨域推荐（KMGCDR）。具体而言，我们引入百科知识图谱（KG）来丰富用户行为的语义理解。然后，我们通过引入一个知识增强的记忆网络来扩展GNN模型，该网络能够存储外部KG信息，旨在以可解释的方式捕捉用户的细粒度偏好。这种设计还能增大低相关性数据之间的差距，并降低图表示的平滑度。据我们所知，这是首次尝试使用记忆网络来解决CDR中的过平滑问题。在真实数据集上的广泛实验证明了KMGCDR的优越性。在六个跨域场景中，与最佳SOTA基线方法相比，KMGCDR在Amazon和Facebook数据集上分别实现了平均10.07%和5.55%的提升。
Keyword:
Cross-domain recommendation
Knowledge graph
Graph neural network
Memory network
Transfer learning
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
Configurable Fairness for New Item Recommendation Considering Entry Time of Items考虑物品录入时间的可配置公平性新物品推荐
PREAI
分享收藏A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions推荐系统的图神经网络综述: 挑战、方法和方向
OAAI
OAAI分享收藏
Heterogeneous graph contrastive learning for cold start cross-domain recommendation面向冷启动跨域推荐的异构图对比学习
PREAI
分享收藏分享收藏
查看更多内容