Knowledge Enhanced Multi-intent Transformer Network for Recommendation

将知识图谱（Knowledge Graphs）融入推荐系统已经引起了产业界的广泛关注，因为知识图谱在为底层模型提供丰富的补充信息和可解释性方面具有巨大潜力。然而，简单地将知识图谱整合到推荐系统中通常会在产业界引起负面反响，因为忽略了以下两个因素：i）用户的多重意图，这涉及知识图谱中的多种节点。例如，在电子商务场景中，用户可能对特定款式、品牌或颜色有偏好。ii）知识噪声，这是知识增强推荐（Knowledge Enhanced Recommendation，KGR）中普遍存在的问题，甚至在产业场景中更为严重。物品的无关知识属性可能导致模型性能不如不整合知识的方法。为了解决这些挑战，我们提出了一种新颖的方法，名为基于多重意图Transformer网络的知识增强推荐（Knowledge Enhanced Multi-intent Transformer Network for Recommendation，KGTN），包括两个主要模块：基于图Transformer的全局意图建模和意图下的知识对比去噪。具体而言，基于图Transformer的全局意图建模专注于捕捉可学习的用户意图，通过将用户-物品-关系-实体交互的全局信号与图Transformer相结合，同时学习意图感知的用户/物品表示。意图下的知识对比去噪专注于学习精确且鲁棒的表示。它利用意图感知的表示来采样相关知识，并提出了一种局部-全局对比机制来增强去除噪声的表示学习。在基准数据集上进行的大量实验表明，我们提出的方法优于现有技术。而在阿里巴巴大规模产业推荐平台上进行的在线A/B测试结果也表明了KGTN的真实场景有效性。

本论文旨在解决知识图谱在推荐系统中的应用问题，包括用户多重意图和知识噪声。

论文提出了一种名为KGTN的方法，包括全局意图建模和知识对比去噪两个模块，通过图变换器和局部-全局对比机制来提高模型性能。

论文在多个基准数据集上进行了实验，并在阿里巨型工业推荐平台上进行了在线A/B测试，证明了方法的有效性。此外，论文还提供了开源代码。

最近相关的研究包括：'Neural Graph Collaborative Filtering'、'Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems'、'RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems'等。