论文标题：

Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation

收录会议：

WSDM 2022

论文链接：

https://arxiv.org/abs/2108.06468

代码链接：

https://github.com/yankai-chen/LKGR

为了缓解传统推荐系统中的冷启动与数据稀疏问题，近年来，向推荐系统中引入外部知识构建知识图谱受到了越来越多的关注。此外，由于图神经网络在提取图数据特征方面的强大性能，一些研究将推荐系统与 GNN 结合了起来。基于 GNN 的知识图谱推荐模型通常将用户-物品历史交互与外部知识图谱的交互统一为三部图，然而在数据统一之后，这些三部图通常呈现出无标度（或层次）图的特点，如图 1（a）所示，两项基准数据集的度分布近似于幂律分布。
而现有研究表明，对于树状（幂律分布）数据，欧式空间将会获得较高的失真，同样地，传统的基于欧式空间的图嵌入方法可能无法有效地捕获无标度网络的内在层次结构，从而使得节点嵌入高度失真，最终降低了推荐的性能。
现有研究表明双曲空间，即具有指数增长特性的连续树形空间，对具有层次数据结构或无标度网络结构数据可产生较少的失真，如图 1（b）所示，在双曲空间中，靠近图中心的节点距离较小，而靠近图边界的节点距离较大。为了解决上述问题，本文提出了基于的双曲几何洛伦茨模型的知识感知推荐模型，简称为 LKGR。

内容中包含的图片若涉及版权问题，请及时与我们联系删除