正确处理丢失的数据是推荐中的一个基本挑战。目前的工作大多是对未观测数据进行负采样,为推荐模型的训练提供负信号。然而,现有的负采样策略,无论是静态的还是自适应的,都不足以产生高质量的负采样——既能提供模型训练的信息,又能反映用户的真实需求。在这项工作中,我们假设项目知识图谱(KG),它提供了丰富的项目和KG实体之间的关系,可以用来推断信息和事实的阴性样本。为此,我们提出了一种新的负采样模型——知识图谱策略网络(KGPolicy),它作为一种强化学习代理来探索高质量的负样本。具体来说,通过我们设计的探索操作,它从目标的正交互中导航,自适应地接收到知识感知的负信号,最终产生一个潜在的负项来训练推荐器。我们在一个配备了KGPolicy的矩阵分解(MF)模型上进行了测试,它在最先进的采样方法(如DNS和IRGAN)和kg增强的推荐模型(如KGAT)上都取得了显著的改进。进一步从不同的角度进行分析,为知识感知抽样提供了思路。我们通过这个https URL发布代码和数据集。

成为VIP会员查看完整内容
59

相关内容

近期必读的5篇顶会WWW2020【推荐系统】相关论文-Part2
专知会员服务
68+阅读 · 2020年4月7日
【反馈循环自编码器】FEEDBACK RECURRENT AUTOENCODER
专知会员服务
22+阅读 · 2020年1月28日
Github六个知识图谱实战项目推荐
专知
379+阅读 · 2019年6月2日
论文浅尝 | 用对抗学习做知识表示(NAACL2018)
开放知识图谱
5+阅读 · 2019年1月2日
Efficiently Embedding Dynamic Knowledge Graphs
Arxiv
14+阅读 · 2019年10月15日
Knowledge Representation Learning: A Quantitative Review
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
VIP会员
相关VIP内容
近期必读的5篇顶会WWW2020【推荐系统】相关论文-Part2
专知会员服务
68+阅读 · 2020年4月7日
【反馈循环自编码器】FEEDBACK RECURRENT AUTOENCODER
专知会员服务
22+阅读 · 2020年1月28日
微信扫码咨询专知VIP会员