DiffKG: Knowledge Graph Diffusion Model for Recommendation

知识图谱(KGs)已成为丰富推荐系统的宝贵资源，因为它们提供了大量的事实信息并捕捉了物品之间的语义关系。利用KGs可以显著提高推荐性能。然而，并不是KG中的所有关系都对目标推荐任务同等相关或有益。事实上，某些物品-实体连接可能会引入噪声或缺乏信息价值，因此可能会误导我们对用户偏好的理解。为了弥补这一研究差距，我们提出了一种新颖的面向推荐的知识图扩散模型，称为DiffKG。我们的框架将生成扩散模型与数据增强范例相结合，从而实现了强大的知识图表示学习。这种集成促进了知识感知物品语义和协同关系建模之间的更好对齐。此外，我们引入了一种协同知识图卷积机制，它包括反映用户-物品交互模式的协同信号，指导知识图扩散过程。我们在三个公开可用的数据集上进行了广泛的实验，始终证明了我们的DiffKG相对于各种竞争基线的优越性。我们在以下链接中提供了我们提出的DiffKG模型的源代码存储库：https://github.com/HKUDS/DiffKG。

本论文旨在解决如何有效地利用知识图谱来提高推荐系统的性能，同时避免KG中的噪声和无用信息对推荐结果的干扰。

该论文提出了一种名为DiffKG的知识图谱扩散模型，结合了生成式扩散模型和数据增强方法，通过协作式知识图卷积机制将协作信号和知识图谱嵌入模型，从而提高知识图谱表示学习的鲁棒性。

DiffKG在三个公开数据集上进行了广泛的实验，证明了其优于其他基线模型的性能。此外，该论文还提供了开源代码库。

在最近的研究中，也有一些关于知识图谱在推荐系统中的应用的研究，比如《Collaborative Knowledge Graph Embedding for Recommender Systems》和《Neural Collaborative Filtering with Knowledge Graph Embeddings》。