语义|会话推荐系统新进展：基于互信息最大化的多知识图谱语义融合 | KDD 2020( 三 )
本文插图
其中定义了多头注意力函数 ，定义了一个全连接前向传递网络 ，是编码器的嵌入矩阵输出, 和 都是知识图谱增强后的表示 。是解码器第 层的嵌入矩阵 。
我们进一步使用复制机制增强被推荐的item、相关实体与描述性关键词的生成 ， 最终的下一个符号 的预测公式如下：
其中 是解码器输出的词汇概率 ，是在两个知识图谱上使用标准复制机制的复制概率 。
回复生成模块的损失函数如下：
本文插图
3
实验与分析
本文在ReDial数据集上进行了实验 ， 并且对比了KGSF模型与基线算法的性能 。 按照对话推荐领域的惯例 ， 本文在推荐任务和生成任务上分别进行实验和分析 。
1、推荐任务
本文插图
为了验证KGSF模型的性能 ， 本文在标准设置、冷启动设置下分别进行试验 。 从图中看出 ， KGSF模型性能稳定且总是最优 。
2、生成任务
本文插图
本文插图
从图中可以看出 ， KGSF模型在所有评估指标上始终更好 。
3、定性分析 我们展示了一个定性分析的例子说明我们的模型如何工作 。
本文插图
4
小结
本文为CRS提出了一种基于知识图谱的语义融合技术 。 通过使用两个外部的知识图谱 ， 我们增强了单词和商品的语义表示 ， 并且使用互信息最大策略对齐这两个组件的语义空间 。 基于对齐的语义表示 ， 我们设计了能够精确推荐的知识图谱增强的推荐模块、能够产生丰富单词和实体的知识图谱增强的对话模块 。 拓展性实验证明我们方法的性能比若干基线方法要好 。
在未来的工作中 ， 我们将考虑使用更多种类的外部信息来改善CRS的性能 。 此外 ， 我们将研究如何使对话内容更具说服力 ， 并能为推荐结果提供解释 。 最后 ， 另一个有趣的主题是如何使用用户的历史交互数据 ， 并使用预定义的的用户画像开始会话 。
参考文献 [1] Yueming Sun and Yi Zhang. 2018. Conversational Recommender System. In SIGIR 2018. 235–244.
[2] Raymond Li, Samira Ebrahimi Kahou, Hannes Schulz, Vincent Michalski, Laurent Charlin, and Chris Pal. 2018. Towards Deep Conversational Recommendations.(2018), 9748–9758.
[3] Robyn Speer, Joshua Chin, and Catherine Havasi. 2017. ConceptNet 5.5: An Open Multilingual Graph of General Knowledge. In AAAI 2017. 4444–4451.
[4] Christian Bizer, Jens Lehmann, Georgi Kobilarov, S?ren Auer, Christian Becker, Richard Cyganiak, and Sebastian Hellmann. 2009. DBpedia - A crystallization point for the Web of Data. J. Web Semant. 7 (2009), 154–165.
[5] Graph Convolutional Neural Network. In BMVC 2016
[6] Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne van den Berg, Ivan Titov, and Max Welling. 2018. Modeling Relational Data with Graph Convolutional Networks. Lecture Notes in Computer Science (2018), 593–607.
推荐阅读
- |好物推荐丨微星 MEG Z490 ACE 战神主板 16相旗舰级供电加持
- |好物推荐：RGB杀马特灯条下的另类内存条 金士顿掠食者系列
- 行业互联网|艾芬达获浙江商务厅外贸优品重点推荐品牌，亮相杭州大厦商圈展售备受瞩目
- 华为手机,一加手机|手机推荐：这几款手机颜值高，性能强，你知道是哪几款吗
- 红米手机|长续航大内存百元老人机推荐红米9
- 虚拟现实|主动降噪高颜值蓝牙耳机推荐，烦躁的世界多点清静
- 一加手机|满目琳琅，国产机型推荐
- zol中关村在线|为游戏而“声” 辩位感强烈的电竞耳机推荐
- 智能穿戴|主动降噪高颜值蓝牙耳机推荐，烦躁的世界多点清静
- 华为手机|满目琳琅，国产机型推荐