将非结构化内容和知识图谱结合到推荐数据集中

将非结构化内容和知识图结合到推荐数据集中WeizheLin1，†，LinjunShou2，MingGong2，PeiJian3，ZhilinWang4，BillByrne1andDaxin Jiang21英国剑桥大学工程系2微软STCA，北京、中国3西蒙弗雷泽大学英国哥伦比亚大学加拿大4University of Washington，Seattle，美国摘要流行的书籍和电影推荐数据集可以与知识图（KG）相关联，这使得能够开发基于KG的推荐系统。然而，这些方法中的大多数都是基于协同过滤的，使得基于内容的过滤方法未被利用。这部分地是由于缺少项目的基于内容的 电影和书籍的摘要文本）。为了促进实现KG感知和内容感知推荐系统的研究，我们通过创建一个大规模的Movie-KG数据集和扩展已经公开的Amazon-Book数据集，通过合并从外部来源抓取的文本描述，为公共领域资源做出这两个数据集都提供了项目 我们提供基准测试结果，并显示基于内容的信息在提出建议的价值。关键词知识图谱，推荐系统，推荐数据集1. 介绍近年来，基于深度学习模型的现代推荐系统（RS）被认为是向用户推荐项目（诸如电影、书籍和新闻）的最成功的解决方案。最近的研究表明，RS可以从KGs提供的外部信息中受益，以丰富用户/项目表示[1]，因此将知识图（KG）纳入推荐中的兴趣越来越大KG将待推荐的项目链接到其他相关KG实体，并且这些连接充当诸如Amazon-Book和MovieLens-20 M的数据集提供用户-项目交互以及提供外部知识的KG。这使得对KG的推理和搜索成为可能。虽然KG可以容易地结合结构化内容信息和外部知识，但在这些流行的基于KG的推荐数据集中，诸如项目描述的非结构化内容未被利用。我们注意到第四版知识感知和会话推荐系统（KaRS）研讨会@ RecSys 2022，2023年9月18日†这项工作是在Weizhe Lin在Microsoft STCA实习期间完成的wl356@cam.ac.uk（W. Lin）;lisho@microsoft.com（L.Shou）;migon@microsoft.com（M. Gong）; jpei@cs.sfu.ca（P.Jian）; zhilinw@uw.edu（Z. Wang）;bill. eng.cam.ac.uk（B.Byrne）; djiang@microsoft.com. 江）© 2022本文版权归作者所有。知识共享许可下允许的使用署名4.0国际（CC BY 4.0）。CEUR研讨会论文集（CEUR-WS.org）最近的基于Transformer的模型，如BERT [2]和GPT-2[3]，已被广泛用于新闻推荐中，用于从自然语言中提取描述性内容，并且它们已被证明是有效的。我们认为，书籍和电影的摘要文本也可以帮助改善仅依赖于交互和KG的KG感知系统。例如，两部电影内容感知系统可以从这些信息构建因此，在这项工作中，我们通过创建两个用于电影和书籍推荐的新数据集来为研究社区做出贡献：（1）通过添加书籍的摘要文本来扩展广泛使用的Amazon-Book数据集，以及（2）新的大规模电影推荐数据集。它们都包括（1）大规模的用户-项目交互;（2）最新的、大规模的巨大知识图谱;以及（3）适合于基于内容的电影和书籍推荐的丰富的描述性属性。基于这两个现实的数据集，我们提供了基准测试结果与选定的强大的协同过滤（CF）和基于内容的过滤（CBF）模型。总的来说，我们的贡献是：1. 我们扩展了流行的图书推荐数据集Amazon-Book，通过提取图书和-CEU Rhttp://ceur-ws.org讲习班ISSN1613-0073程序玛丽从网络资源发短信。2. 我们已经创建了一个全新的大规模电影推荐数据集。数据集收集自微软Edge的真实用户，并且从内部知识库提取KG和电影描述。3. 最后，我们提供了两个数据集与强RS模型的基准结果。 结果表明，纳入非结构化内容导致系统的改进。2. 相关工作推荐数据集。表1的第一部分显示了一些流行的现有推荐数据集。MovieLens-20 M 1是一个流行的基准测试，已被广泛使用，而Flixster 2很大，但在最近的工作中不太流行。 它们都是电影数据集，但它们不提供相关联的KG 以实现KG 感 知 系 统 的 开 发 。 Amazon-Book[4] 、 Last-FM[4] 、 Book-Crossing[5]3 和Alibaba-iFashion[6]被指定用于基于KG的CF模型评估。它们提供丰富的用户-项目交互，但提供非结构化的基于内容的信息（例如，自然语言的项目摘要文本）。在新闻推荐方面，对比小Yahoo！数据集[7]，微软的MIND [8]是从真实用户行为中收集的更新和更大的数据集然而，这些数据集仅支持内容感知CBF模型的开发，因为没有KG可用。KG-aware推荐系统。 超越传统仅通过交互数据对用户和项目进行建模的常规CF模型[9，10，11，12，13，14，15，13，16，17，18，19，20，21]，基于KG的CF模型融合来自辅助KG的外部知识，以提高推荐的准确性和可解释性[1，22]。利用KG的CF方法可以被分类为基于嵌入的方法[23、24、25]、基于路径的方法[26、27、28、29]和基于GNN的方法[30、31、27、4、32]。 CBF模型通过考虑与用户交互的项目的元数据（基于内容的信息）来将项目与用户匹配[33，34，35，36，37]，而最近流行的主题基于KG的CBF中的大多数研究集中于通过将相关KG实体映射到项目的内容来增强具有KG嵌入的项目表示，例如，[38，39]。3. 数据集我们在本节中介绍两个新数据集的收集过程：（1）大规模高质量1https://grouplens.org/datasets/movielens/2https://sites.google.com/view/mohsenjamali/flixter-data-sethttp://www2.informatik.uni-freiburg.de/ 3从真实用户行为新收集的电影推荐数据集（Sec. 3.1）;（2）基于Amazon-Book 数据集[4]的Amazon-Book-Extended数据集，新增加了文本书籍描述（第3.1节）。3.2）。3.1. 电影KG数据集3.1.1. 数据集构建该数据集由流行的商业浏览器在2021年5月13日至2021年6月20日（共39天）期间记录的真实用户浏览行为形成。数据和隐私的敏感性首先通过解耦用户的真实身份（例如，身份验证）来去除。IP，帐户标识符），并为每个用户分配一个不敏感的唯一虚拟标识符。为了将用户的浏览历史与电影联系起来，我们利用了商业知识图，该商业知识图由旨在覆盖域的大量实体和它们之间的丰富关系集组成。与类型“电影”的实体一起提取与他们的一跳邻居和边缘。以这种方式，从原始知识图中提取电影特定的子图。从数十亿的用户浏览日志中绘制，KG实体链接被执行以将网页标题与电影特定KG中的电影标题使用提供命名实体识别和实体链接的内部服务来提取电影实体为了使数据集更紧凑：（1）通过聚合他们的浏览时间将与同一电影的连续和重复的用户交互合并到单个记录（2）丢弃在39天内具有少于10次交互的较不活跃的用户;（3）选择具有最多用户交互的最频繁的50，000部电影，因为尾部记录被认为是不可靠的。125,218名活跃用户和5万部热门电影入选。与这些电影相关的KG实体被提取以形成具有250，327个实体（包括电影项目）的子KG每个用户都由[]表示���������������������������H������������������]，其中������������������是已经与真实用户身份解除链接的唯一标识符，并且������������H������������������是用户已经浏览的电影项目的ID列表。为了训练和评估推荐系统，H 被分为训练集 / 验证集 / 测试集： 前80% 的用户���������������������������在验证和测试期间，训练集中的交互充当用户除了传统的数据分割策略之外，还创建了冷启动用户集，以评估训练数据集之外的用户的模型性能。3%的用户被转移到冷启动设置，并且在型号中不可用表1与现有推荐系统的流行数据集的比较Ent：实体; Rel：关系; UnCont：非结构化内容。类型数据集用户数项目数量互动次数公斤编号Ent.#Rel.三胞胎数量非连续电影MovieLens-20M138,00027,00020,000,000没有不适用不适用不适用没有影视弗利克斯特1,002,79666,7301,048,576没有不适用不适用不适用没有书亚马逊图书70,67924,915847,733是88,572392,557,746没有书图书穿越276,271271,3791,048,575是25,7871860,787没有音乐Last-FM23,56648,1233,034,796是58,2669464,567没有购物阿里巴巴iFashion114,73730,0401,781,093是59,15651279,155没有新闻雅虎！-14,18034,022没有不适用不适用不适用是新闻介意1,000,000161,01324,155,470没有不适用不适用不适用是书亚马逊-图书-扩展（我们的）70,67924,915847,733是88,572392,557,746是电影Movie-KG-Dataset（Ours）125,21850,0004,095,146是250,3271212,055,581是训练为了挑战系统这部分交互被分成具有每个用户的前80%交互的冷启动历史集和具有剩余20%交互的测试集与一些流行的现有推荐的比较-1400012000100008000600040002000020406080一百用户交互的长度300025002000150010005000050 100 150 200与电影的交互次数dation数据集在表1中提供。我们的新电影数据集基于大量用户群体和电影库存，并从具有数百万个三胞胎的广泛的电影特定KG中提取这是现有流行电影推荐数据集尚未提供的丰富资源我们的数据集不仅提供了标题和gen-res（如MovieLens-20 M），还提供了其他基于内容的信息，例如电影的丰富摘要文本，可以使用BERT和GPT-2等大型语言理解模型进行基于内容的推荐3.1.2. 统计分析（ a ） 用 户 历 史 的 长 度（=32.70， = 45.76）2000150010005000050010001500二千年的电影(c)Movie-KG-Dataset 中 的 电影描述长度（=425.22， =329.93）（b）用户������1200100080060040020000 200 400 600许多书（d）Amazon-Book-Extended中图书说明的长度（=151.75， = 206.98）图1呈现了数据集的关键统计数据。该数据集包含125，218个用户，50，000个电影项目和4M+交互。KG包含250，327个实体，具有12种关系类型和12，055，581个三元组。电影的属性包括基于内容的属性（标题、描述、电影长度）和已经绑定到知识图实体的属性（制作公司、国家、语言、制片人、导演、流派、评级、编辑、作家、荣誉、演员）。图图1（a）-1（c）示出了每个用户与电影的交互的长度每个电影与用户的交互的数量以及电影描述的长度的分布电影描述的平均长度为425个单词，这足够长，模型可以从故事的摘要中对电影进行编码用户交互的平均数量为32.70，为长期用户兴趣建模提供了丰富的资源。 前19天的数据（具有类似的数据分布，但用户和交互较少）被分离为“标准”用于大多数研究目的，而完整的39天数据被发布为“扩展”用于更扩展的用途，例如培训-图1：Movie-KG数据集的关键统计数据（图1）1（a）-1（c） ）和Amazon-Book-Extended（图1（d））。工业产品4.3.2. 扩展的Amazon图书数据集Amazon-Book数据集最初由[4]发布，并已用于许多高级推荐系统的开发。然而，该数据集仅提供CF交互数据，而没有CBF评估所需的为了填补这一空白，我们使用从多个数据源中提取的描述扩展了数据集，注意到数据集最初是在2014年收集的，并且许多项目已经在亚马逊网站上过期程序总结如下：（1）我们将Amazon中的产品描述与Amazon-Book中的条目进行匹配，使用其独特的项目标识-4我们在我们的存储库中提供了这个扩展集的结果。用户数量文本长度的电影数量文本长度表2亚马逊图书扩展数据集的基准测试结果所提出的模型的最佳性能以粗体标记。报告3次运行的平均值以减轻实验随机性。召回全国民主协商小组命中率@20@60@100@20@60@100@20@60@100BPRMF0.13520.24330.30880.06960.095680.10890.23760.39840.4816CKE0.13470.24130.30700.06910.094820.10810.23730.39630.4800KGAT0.15270.25950.32270.08070.106550.11940.26020.41560.4931KGIN0.16540.26910.32980.08930.11450.12670.28050.42890.5040KMPN0.17190.27930.34050.09310.11890.13150.29100.44210.5166NRMS-BERT0.11420.20830.26710.05920.08170.09350.20570.34870.4273专家混合（KMPN + NRMS-BERT）0.17230.27910.32810.09330.11610.12140.29130.44250.5022CKMPN0.17180.28210.34600.09280.11970.13260.29080.44740.5244限 定 符 （ asin ） 。 24 ， 555 个 项 目 成 功 匹 配（98.56%）;（2）然后我们将剩余项目中的每一个与巨大的商业KG中的最相关条目匹配，这使得能够提取丰富的描述在这一步中匹配了325个项目;（3）剩余的28个项目与亚马逊中最相关的产品手动匹配描述长度的分布在图中给出。1（d）。4. 基准4.1. 评估指标按照惯例[19，4，6，40]，我们报告了评估模型性能的方法：（1）Recall@K：在顶级推荐内，系统为每个用户召回测试集浏览项目的程度���;（2）ndcg@K（归一化贴现累积增益）[40]：当相关项目较早出现在推荐列表中时增加;（3）HitRatio@K：用户在推荐的前K个项目中找到至少一个感兴趣项目的可能性有多大。4.2. 基线我们把最近发表的几个推荐系统的性能作为比较点5。我们仔细地从它们的存储库中复制了所有这些基线系统6。BPRMF[10]：一种强大的矩阵分解（MF）方法，应用通用优化标准BPR-选择个性化排名。受空间限制，其他MF模型（例如[41]，NFM [13]），因为BPRMF优于它们。CKE[24]：利用知识库中的异构信息进行推荐的CF模型5它们也是最近一篇论文中比较的基线系统[6]（WWW6因此，这里报告的结果可能与原始论文的结果不同KGAT[4]：知识图注意力网络（KGAT），其明确地对KG中的高阶KG连接进行模型KGIN[6]：最先进的基于KG的CF模型，将用户的潜在意图（偏好）建模KMPN[42]：一种基于KG的CF模型，通过学习一组偏好嵌入来为用户建模NRMS-BERT[42]：一个强大的CBF模型，它包含一个预训练的BERT，用于从自然语言中提取它的灵感来自NRMS [34]，这是一个强大的新闻推荐系统，具有双编码器架构。混合专家：混合系统的输出两个系统KMPN和NRMS-BERT的分数通过多层感知（MLP）的3层以获得最终项目评级。CKMPN[42]：一种融合NRMS-BERT与KMPN特征的对比学习方法在训练中它也是一个混合系统，利用CBF和CF功能。4.3. 讨论在Amazon-Book-Extended数据集上，如表2所示，基于KG的系统（例如KGAT、KMPN）利用嵌入在KG中的结构化信息，以实现≥ 0.17召回@20。CBF系统（NRMS-BERT）仅利用书籍的摘要文本实现0.1142Recall@20。性能与基于KG的模型相差不远这表明我们对原始数据集的扩展是成功的，并且这种基于内容的信息可以用于进行内容感知推荐。最好的分数是通过混合方法（MoE和CKMPN），结合KMPN和NRMS-BERT提出建议。特别是，CKMPN模型改进了@60/@100的结果，表明即使NRMS-BERT的性能较低，基于KG的系统仍然可以从结合其功能中这表3Movie-KG-Dataset上的基准测试结果所提出的模型的最佳性能以粗体标记。报告3次运行的平均值以减轻实验随机性。召回全国民主协商小组命中率@20@60@100@20@60@100@20@60@100BPRMF0.13870.19440.22060.09610.11370.11920.19800.27850.3236CKE0.13690.18980.21500.09400.11080.11600.19500.27070.3155KGAT0.14030.19280.21850.10060.11730.12260.19970.27420.3196KGIN0.13510.21190.24450.09820.12540.13220.21940.30810.3643KMPN0.14340.21300.24270.10730.13050.13670.21930.30980.3602NRMS-BERT0.12410.16690.18900.10340.12130.12570.17280.23690.2773CKMPN0.14570.21570.24620.11490.14170.14820.22660.31530.3668在冷启动测试装置KMPN0.10190.16720.21220.05610.07100.08060.17830.28120.3414NRMS-BERT0.04370.09110.12530.02060.03140.03810.08070.15800.2071CKMPN0.10240.17410.21300.05700.07290.08080.18120.28390.3380还表明，基于内容的功能是有用的，但简单的聚合方案不能提高性能显着。一个研究挑战留给未来的研究是如何更好地利用基于内容的功能。我们在Movie-KG-Dataset上观察到类似的趋势。混合方法，CKMPN，实现了最佳的性能。我们注意到，NRMS-BERT的性能更接近于基于KG的模型（例如：KMPN）。基于内容的特征带来的这是因为Movie-KG-Dataset与Amazon-Book-Extended相比具有更大的平均文本长度（425.22 v. 151.75），提供更丰富的信息，从而产生更有区别的项目嵌入。系统的示例输出如表4所示。Y/N表示电影是否出现 在 四 种 模 型 （ KMPN/NRMS-BERT/ 专 家 混 合（MoE）/CKMPN）的前100推荐列表中。这个用户浏览了由Christo- pher Nolan导演的Tenet（2020） 电影《源代码》（2011）和《特尼特》都是关于时间旅行的，但它们的摄制组截然不同。因此，NRMS-BERT认为源代码是正面的，它对电影描述进行评估，但基于KG的KMPN认为是负面综合两个系统的评分，MoE 没 有 推 荐 这 部 电 影 。 然 而 ， CKMPN 补 充 了KMPN的失败， 并通过对比学习 学习基于NRMS-BERT的表示的内容感知项目表示，为这部电影给出了高分相比之下，敦刻尔克（2017）是关于战争和历史的，这与特尼特不在同一个主题中。然而，由于他们是由同一导演执导，KMPN和CKMPN都推荐了这部电影，而MoE的预测受到NRMS-BERT的负面影响。本案例研究表明，知识库和非结构化内容（本案例中为电影摘要文本）对于提出建议。在克服每个物品属性的限制的同时利用它们是具有挑战性的表4浏览电影Tenet（2020）的用户的案例研究。《源代码》（2011）有类似的类型，而《敦刻尔克》（2017）有相同的导演。Y/N：电影是否出现在模特推荐榜前100名。MoE：混合专家。项目KMPNNRMS-BERTMoECKMPN《源代码》（2011）国你们国你们敦刻尔克（2017）你们国国你们在冷启动测试集上，CF、CBF和混合方法取得的结果要低得多 性能降低在CBF模型上更明显（NRMS-BERT从0.1241下降到0.0437Recall@20），因为该集合中的用户平均具有非常少（<20）的历史交互，使得基于内容的系统无法捕获他们的特征并做出合适的推荐。因此，另一个研究挑战是改善所有这些模型的冷启动性能，使模型对极端情况更鲁棒。5. 结论为了便于研究开发同时具有知识图谱感知和内容感知 的 RS 模 型 ， 我 们 引 入 了两 个 数 据 集 ： （ 1 ）Amazon-Book-Extended，它继承了一个流行的图书推荐数据集，并在新的基础上扩展了摘要描述;（2）一个新的大规模电影推荐数据集Movie-KG-Dataset，基于最近在广泛使用的商业Web浏览器上收集的用户交互，并伴随着知识图谱和电影的摘要文本。我们提供了基准测试结果，证明了将基于内容的项目描述的价值。这两个数据集都在我们的github存储库中共享：https://github.com/LinWeizheDragon/Content-Aware-Knowledge-Enhanced-Meta-Preference-Networks-for-Recommendation.引用[1] 问. Guo、F. Zhuang，C. Qin，H. Zhu，X. Xie，H.雄哥问. 他，基于知识图的推荐系统调查，IEEETransactionsonKnowledgeandDataEngineering（2020）。[2] 大 通 Devlin ， M.- 水 渍 Chang ， K.Lee ，K.Toutanova，BERT：深度双向转换器的语言理解预训练，在：计算语言学协会北美分会2019年会议论文集：人类语言技术，第1卷（长论文和短论文），计算语言学协会，明尼阿波利斯，明尼苏达州，2019年，第10 页。4171-4186.网址 ： https://aclanthology.org/N19 -142 3. doi ：10。18653/v 1/N 19 - 1423。[3] 上午Radford，J.吴河Child，D. Luan、黄腹叶蝉D. 阿莫代I. Sutskever等人，语言模型是无监督的多任务学习者，OpenAI博客1（2019）9。[4] 十. Wang，X. He ，Y. Cao，M. Liu ，T.- 美国Chua ， Kgat ： Knowledge Graph AttentionNetwork forRecommendation，收录于：第25届ACM SIGKDD知识发现数据挖掘国际会议论文集，2019年，第10页。950-958[5] C.国Ziegler，S.先生McNee，J.上午Konstan，G.Lausen ， Improvingrecommendationliststhrough topicdiversification， in ： Proceedingsof the 14th international conference on WorldWide Web，2005，pp.22-32.[6] 十 . Wang ， T.Huang 、 黄 皮 藓 D.Wang ，Y.Yuan 、 山 核 桃 Z.Liu ， X. 他 T 美 国 Chua ，Learningintentsbehindinteractionswithknowledge graph for recommendation ， in ：2021年网络会议论文集，2021年，pp。878-887.[7] 运动Yang，C. Xu，W. Wu，Z. Li，阅读，参加并评论：自动新闻评论生成的深度架构，在：2019自然语言处理中的EM-pestrian方法会议（EMNLP），2019。[8] 楼Wu，Y.乔，J. -小时Chen、毛萼茶C.Wu，T.Qi，J.丽安学位Liu，X. Xie，J. Gao，W. Wu等人，Mind：Alarge-scaledatasetfornewsrecommendation，in：Proceedings of the 58thAnnualMeetingoftheAs-sociationforComputational Linguistics ， 2020 ， pp.3597-3606.[9] 纽约科伦河贝尔角Volinsky矩阵分解推荐系统的技术，计算机42（2009）30[10] 美国伦德尔角Freudenthaler，Z.甘特纳湖Schmidt-Thieme ，Bpr：Bayesian personalized rankingfrom implicit feedback，in：Proceedings of theTwenty-FifthConference on UncertaintyinArtificial Inteligence，UAI '09，AUAI Press，Arlington，Virginia，USA，2009，p. 452-461[11] 纽约Koren，因式分解满足邻域：多方面的协同过滤模型，在：Proceedings of the 14th ACMSIGKDDInternationalConferenceonKnowledge Discovery and Data Mining ， KDD'08 ， Association for Computing Machinery ，New York，NY，USA，2008，p. 426-434.网址：https://doi.org/10.1145/1401890。1401944doi：10。1145/1401890。1401944[12] 美国Rendle，Factorization machines with libfm，ACM Transactions on Intelligent Systems andTechnology（TIST）3（2012）1-22.[13] 十 . 他 T 美 国 Chua ， Neural factorizationmachines for sparse predictive analytics，在：第40届国际ACM SIGIR信息检索研究与开发会议论文集，SIGIR '17，美国纽约州纽约市计算机 协 会 ， 2017 年 ， 第 355-364 页 。 网 址 ：https://doi.org/10.1145/3077136 。 3080777doi ：10。1145/3077136。3080777[14] 室大通Oentaryo，E.-下午Lim，J.-水渍低，D。Lo ， M.Fine- gold ， Predicting response inmobile advertisingwith hierarchical importance-aware factorization machine，in：Proceedingsof the 7th ACM international conference on Websearch and data mining，2014，pp.123-132[15] 小 时 郭 河TANG ， Y.是 的 ZLi ， X.他 ，Deepfm：一种用于ctr预测的基于因式分解机的神经网络，在：第26届人工智能国际联合会议论文集，IJCAI-17，2017，pp. 1725-1731. 网址 ： https://doi.org/10.24963/ijcai.2017/23 9. doi ：10。24963/ijcai. 2017/239。[16] 水 渍 Zhang ， T.Du ， J.Wang ， Deep learningovermulti-fieldcategoricaldata ， in ：Europeanconferenceoninformationretrieval，Springer，2016，pp.45比57[17] H. 没 有 程 湖 Koc ， J.Harmsen ， T. 颤 抖TChandra，H.Aradhye，G.Anderson，G.科拉多柴先生 伊斯皮尔河 Anil，Z. 哈克湖 Hong，V. 杰恩十 . Liu ， H. Shah ， Wide Deep Learning forRecommender Systems ， 在 ： Proceedings ofthe1stWorkshoponDeepLearningforRecommenderSystems ， DLRS2016 ，Association for Computing Machinery ， NewYork ， NY ， USA ， 2016 ， p. 七 比 十 网 址 ：https://doi.org/10.1145/2988450.2988454 。 doi ：10。1145/2988450。2988454[18] 纽约Qu，H.Cai，K.Ren，W.Zhang，Y.Yu，Y.温大通Wang，面向用户的基于产品的神经网络响应预测，在：2016 IEEE第16届国际数据挖掘 会 议 （ ICDM ） ， IEEE ， 2016 ， pp.1149-1154年[19] 十.赫湖Liao，H.张丽Nie、黄毛菊X. Hu，T.-美国Chua，Neural collaborative filtering，in：第26届万维网国际会议论文集，2017年，pp。173-182[20] 室英河他K Chen，P. Eksombatchai，W.法律Hamilton，J. Leskovec，用于网络规模推荐系统的图卷积神经网络，在：第24届ACM SIGKDD知识发现数据挖掘国际会议&论文集，2018年，第10页。974-983[21] 十 . 他 K Deng 、 黄 毛 菊 X. Wang ， Y. Li ， Y.Zhang ， M. Wang ， Lightgcn ： Simplifying andpoweringgraphconvolutionnetworkforrecommendation，in：第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020年，pp. 639-648[22] J. Chicaiza，P. Valdiviezo-Diaz，基于知识图的推荐系统的全面调查：技术，开发和贡献，信息12（2021）232。[23] 小 时 Wang ， F. Zhang ， M. Zhao ， W. Li ， X.Xie ， M. Guo ， Multi-task feature learning forknowledgegraph enhanced recommendation，in：万维网会议，2019年，pp。2000-2010年。[24] 楼Zhang，N. J. Yuan，D. Lian、黄毛菊X. Xie，W.- 纽 约 Ma ， Col-laborative knowledge baseembedding forrecommender systems ， in ：Proceedingsofthe22ndACMSIGKDDinternationalconferenceonknowledgediscovery and data mining，2016，pp.353-362[25] 纽约Cao、黄毛菊X. Wang，X.他Z Hu，T.-美国Chua ， Uni- fying knowledge graph learningand recommendation：为了更好地了解用户偏好，在：万维网会议，2019年，第10页。151-161.[26] 芽孢Hu，C.Shi，W.十. Zhao，山核桃P.美国Yu ， Leveraging Meta based context for top-nrecommendationwithaneuralco-attentionmodel，在：第24届ACM SIGKDD知识发现数据挖掘国际会议论文集&，2018年，第10页。1531-1540.[27] 大通Jin，J.Qin，Y.Fang，K.Du，W.Zhang，Y.于运动Zhang、黄毛菊A. J. Smola，一种高效的基于邻域的交互模型，用于异构图上的推荐，在：第26届ACM SIGKDD国际知识发现数据挖掘会议论文集，2020年，第10页。75比84[28] 十. Yu、黄毛菊X. Ren，Y. Sun，Q. Gu，B.斯特尔 特 坎 德 尔 瓦 尔 湾 Norick ， J.Han ，Personalizedentityrecommendation：Aheterogeneous information network approach，in ： Proceedings of the 7th ACM internationalconference on Web search and data mining ，2014，pp.283-292。[29] 小时Zhao，Q.Yao，J.Li，Y.Song，D.法律Lee，在异构信息网络上基于元图的推荐融合，在：第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集，2017年，第10页。635-644[30] 小时Wang，F.Zhang，M.Zhang，J.Leskovec，M.赵水 渍 Li ， Z. Wang ， Knowledge-aware graphneuralnetworkswithlabelsmoothnessregularization for recommender systems，in：第25届ACM SIGKDD知识发现&数据挖掘国际会议论文集，2019年，第10页。968-977[31] 小时Wang，M. Zhao、黄毛菊X. Xie，W. Li，M.Guo，Knowl-edgegraphconvolutionalnetworks for recommender systems，in：万维网会议，WWW '19，计算机械协会，纽约，纽约 ， 美 国 ， 2019 年 ， p. 3307 -3313 网 址 ：https://doi.org/10.1145/3308558 。 3313417doi ：10。1145/3308558。3313417[32] 运动Wang，G. Lin，H. Tan、黑冠Q. Chen，X.Liu，Ckan：推荐系统的协作知识感知专注网络，在：第43届国际ACM SIGIR信息检索研究与发展会议论文集，2020年，第10页。219-228[33] 大 通 Liu ， P.Dolan ， E. 室 Pedersen ，Personalized news recommendation based onclick behavior ， in ： Proceedings of the 15thinternational conference on Intelligent userinterfaces，2010，pp.31-40[34] 梭Wu、F. Wu、S. Ge，T. Qi，Y. Huang、黄毛菊X.谢，《多头自我关注的神经新闻推荐》，载 ： Proceedi