《Neural Networks》：Relation-Centric Knowledge Graph Generation for Recommendation based on Conditional Diffusion Model
编辑推荐：
这篇论文针对知识感知推荐中存在的知识不完备性问题，提出了一种名为RKGRec的创新模型。该模型利用关系引导的条件扩散模型，生成一个辅助的、以关系为中心的知识图谱，以补充原始知识图谱的语义连接空白。这种方法旨在增强对长尾关系的捕捉，从而提升推荐系统的准确性、多样性以及对冷启动、数据稀疏和噪声的鲁棒性。
要点概览
知识感知推荐
知识感知推荐已成为一个关键的研究方向，它利用结构化的知识图谱来增强推荐的有效性和可解释性。现有的方法大致可分为三种技术范式：基于嵌入的方法、基于路径的方法和基于图神经网络的方法。
- •
基于嵌入的方法 采用知识图谱嵌入技术来丰富物品表征。早期工作如KTUP（Cao 等人， 2019）将基于TransR的嵌入与协同过滤结合起来。
- •
基于路径的方法 探索知识图谱中的多跳连接路径，以推断用户和物品之间的高阶关系。
- •
基于图神经网络的方法 通过在包含用户、物品和知识图谱实体的异构图上进行消息传播，直接捕获高阶连通性。
然而，现有的知识感知推荐模型常常忽略知识不完备性对推荐性能的不利影响。知识图谱固有的不完整性（例如缺失事实和覆盖范围有限）会破坏物品之间的语义连接。此外，主流的图增强策略存在偏向保留高频关系而削弱长尾关系的问题，导致对主流类别的过度推荐和对小众类别的系统性忽视。为了弥补知识图谱的结构性空白，本文提出了一种基于生成模型的方法，从知识生成的角度来解决知识不完备性问题。
方法
本节介绍如图3所示的RKGRec模型，它主要由三个核心模块组成：
- 1.
关系注意力网络：采用关系感知注意力网络，整合关系语义和邻居实体语义，以实现高效的知识嵌入。
- 2.
用于知识图谱生成的关系引导条件扩散模型：利用扩散模型在去噪和图增强方面的优势，从原始知识图谱生成辅助的、以关系为中心的知识图谱。该模块通过前向过程注入噪声，并通过关系引导的反向过程进行迭代去噪，最终生成能够补全缺失关系链接的知识图谱。
- 3.
联合预测与优化模块：将推荐任务和知识图谱生成任务联合训练，使生成的图谱能有效增强推荐效果。
实验
在本节中，我们进行了一系列综合性实验来评估RKGRec模型。我们详细介绍了使用的数据集、评估协议、基线模型和超参数设置。之后，我们进行了广泛的实验来验证RKGRec的有效性、多样性、鲁棒性和可解释性，包括：（1）与基线模型的整体性能比较，（2）多样性研究，（3）消融研究，（4）针对数据稀疏性和噪声的鲁棒性测试，（5）超参数研究，（6）计算成本分析以及（8）案例研究。
结论
本文提出了RKGRec，这是一种基于关系引导条件扩散模型的新型生成方法，用于生成知识图谱，以解决传统知识感知推荐中因知识不完备性带来的局限性。在三个数据集上进行的大量实验证明了RKGRec的有效性、多样性、鲁棒性和可解释性，为解决知识感知推荐中的知识不完备性问题提供了一种新方法。RKGRec有助于缓解因知识图谱不完整和长尾关系缺失导致的推荐性能下降问题。
