Knowledge-Enhanced Recommendation with User-Centric Subgraph Network

目前在各种平台上广泛实施的推荐系统，根据用户的偏好推荐相关物品。然而，传统的基于用户-物品交互矩阵的方法有其局限性，特别是在新物品缺乏交互数据的情况下。基于知识图谱（KG）的推荐系统已经成为一种有前途的解决方案。然而，大多数基于KG的方法采用节点嵌入，无法为不同用户提供个性化推荐，并且无法很好地推广到新物品。为了解决这些限制，我们提出了一种基于知识增强的用户中心子图网络（KUCNet），这是一种具有图神经网络（GNN）的子图学习方法，用于有效的推荐。KUCNet为每个用户-物品对构建一个U-I子图，捕捉了用户-物品交互的历史信息和KG中提供的附加信息。设计了一个基于注意力机制的GNN来对U-I子图进行编码以进行推荐。考虑到效率，进一步引入了修剪的用户中心计算图，可以同时计算多个U-I子图，并且可以通过个性化PageRank进行修剪。我们提出的方法在新物品的准确、高效和可解释推荐方面表现出色。实验结果表明，KUCNet优于最先进的基于KG和协同过滤（CF）的方法。

本论文旨在解决推荐系统中基于知识图谱的方法在新物品推荐和个性化推荐方面存在的问题。

论文提出了一种名为KUCNet的子图学习方法，使用图神经网络来进行有效的推荐。该方法构建了一个用户-物品子图，捕捉了用户-物品交互历史信息和知识图谱提供的附加信息。使用基于注意力机制的GNN对子图进行编码，以进行推荐。同时，引入了基于Personalized PageRank的修剪用户中心计算图，以提高效率。

该方法在新物品推荐和个性化推荐方面表现出色，具有准确性、效率和可解释性。实验结果表明，KUCNet优于当前基于知识图谱和协同过滤的推荐方法。实验使用了多个数据集，并提供了开源代码。

与本论文相关的研究包括：《Knowledge Graph Convolutional Networks for Recommender Systems》、《RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems》等。