PLRA-KG: Pattern-derived latent relation augmentation for knowledge graph-based recommendations

Zhipeng Zhang

doi:10.1016/j.ipm.2026.105109

PLRA-KG: Pattern-derived latent relation augmentation for knowledge graph-based recommendations

2026-08-31

0

PRE

AI

DOI：10.1016/j.ipm.2026.105109

原文链接

原文求助

摘要

En 中文

基于知识图谱（KG）的推荐方法通过将结构化语义信息融入用户和物品表示，已成为解决数据稀疏性的有效方案。然而，现有的KG推荐方法仍面临两大核心挑战：（i）过度依赖显式关系，未能充分捕捉物品间的隐含联系；（ii）高阶传播过程中的特征退化，导致学习表示中有用信号的稀释。为此，我们提出PLRA-KG，一种基于模式的隐含关系增强框架，用于KG推荐。PLRA-KG通过从全局用户偏好模式和关系结构中生成合成关系（syn-relation）和合成实体（syn-entity），揭示隐含的物品关联。具体而言，PLRA-KG首先通过自训练执行关系感知聚类，将具有强关联模式的物品分组；随后引入判别感知的关系对选择机制，识别显著影响用户决策的关系组合；基于选定的关系对，设计基于模式的合成关系生成策略，通过联合建模全局用户偏好和关系价值交互来构建隐含关系。这些生成的合成关系和合成实体随后融入原始KG，形成增强图，更好地捕捉隐藏的语义连通性。最后，PLRA-KG在统一框架中优化，联合考虑推荐学习、KG嵌入和聚类目标，实现与各类KG推荐模型的无缝集成。在多个基准数据集上的广泛实验表明，PLRA-KG持续提升推荐准确性和多样性，平均提升Recall约6.64%、AD约7.83%、Coverage约5.56%，并降低ARP约6.20%。源代码可访问https://github.com/ZZP-RS/PLRA-KG。

Keyword:

Knowledge graph

Graph augmentation

Latent relation

Recommendation

PLRA-KG: Pattern-derived latent relation augmentation for knowledge graph-based recommendations

摘要

期刊

机构

引用论文