Heterogeneous Hypergraph Embedding for Recommendation Systems

最近推荐系统的进展主要集中在整合知识图谱(KG)以利用其辅助信息。KG增强推荐的核心思想是为了更准确的推荐而将丰富的语义信息纳入其中。然而，仍存在两个主要挑战：i)忽略KG基于用户-物品网络的复杂高阶交互作用，可能导致次优的推荐；ii)处理输入源的异构模态，如用户-物品二分图和KG，这可能会引入噪声和不准确性。为了解决这些问题，我们提出了一种新颖的知识增强异构超图推荐系统(KHGRec)。KHGRec捕捉了交互网络和KG的组特征，建模了KG中的复杂连接。使用协同知识异构超图(CKHG)，它采用两个超图编码器来建模组之间的相互依赖关系并确保可解释性。此外，它使用跨视图自监督学习和注意机制来融合来自输入图的信号。对四个真实世界的数据集进行的广泛实验表明，我们的模型比各种最先进的基线模型表现更好，平均相对提高了5.18％。对噪声鲁棒性、缺失数据和冷启动问题的额外测试表明了我们KHGRec框架的鲁棒性。我们的模型和评估数据集可在\url{https://github.com/viethungvu1998/KHGRec}上公开获取。

本文旨在解决知识图谱增强推荐系统中存在的两个主要问题：忽略了知识图谱中复杂的高阶交互，可能导致次优的推荐结果；处理输入源的异构模态，如用户-项目二分图和知识图谱，可能会引入噪声和不准确性。

本文提出了一种新的知识增强异构超图推荐系统（KHGRec），它通过协作知识异构超图（CKHG）捕捉交互网络和知识图谱的组内特征，并使用两个超图编码器来建模组内依赖关系，确保可解释性。此外，它使用跨视图自监督学习和注意机制来融合输入图的信号。

本文的实验使用了四个真实数据集，展示了KHGRec模型相比于各种最先进的基线模型的优越性，平均相对改进了5.18％。针对噪声鲁棒性、缺失数据和冷启动问题的额外测试表明了KHGRec框架的鲁棒性。本文的模型和评估数据集在GitHub上公开。

最近在这个领域中，还有一些相关的研究，如《Neural Graph Collaborative Filtering》、《Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems》等。