摘要

本文介绍了一种名为KHGRec的新型知识增强异构超图推荐系统，旨在解决现有基于知识图谱（KG）的推荐系统中忽视复杂高阶交互和异构输入源带来的噪声和不准确性问题。KHGRec通过捕获用户-项目网络和知识图谱中的群体特征，利用协同知识异构超图（CKHG）和两个超图编码器来建模群体间的相互依赖性并确保可解释性。此外，KHGRec通过跨视图自监督学习和注意力机制融合来自输入图的信号。在四个真实世界数据集上的广泛实验表明，KHGRec相对于各种最先进的基线模型，平均相对改进达到了5.18%。此外，KHGRec在噪声抗性、缺失数据和冷启动问题上的测试也展示了其框架的鲁棒性。

原理

KHGRec的核心创新在于其异构超图结构和编码机制。首先，KHGRec构建了一个协同知识异构超图（CKHG），该结构统一了用户-项目二部图和知识图谱，同时自然地捕获了节点间的高阶特征。接着，KHGRec引入了两个超图编码器：一个是局部自意识超图编码器，它结合了自注意力机制和超图嵌入，以捕获用户-项目交互中的群体特征并突出节点在其邻域中的重要性；另一个是全球关系意识超图编码器，它通过关系意识注意力机制和超图嵌入，促进了实例间关系效应的理解并捕获用户和知识实体之间的高阶依赖。这两个编码器通过特征融合模块和跨视图自监督学习机制无缝集成，确保从不同输入图中提取的信号能够有效融合。

流程

KHGRec的工作流程包括以下几个关键步骤：

1. 异构超图构建：从用户-项目交互矩阵和知识图谱中构建CKHG。
2. 超图表示学习：使用两个专门设计的编码器（局部自意识和全球关系意识超图编码器）对CKHG进行编码，以学习节点的高阶交互和关系依赖。
3. 特征融合：通过注意力机制和跨视图自监督学习，融合从不同编码器中学习到的节点嵌入。
4. 模型预测：利用学习到的用户和项目表示进行推荐预测，并通过BPR损失函数优化模型。

应用

KHGRec的应用前景广泛，特别适用于需要高精度和可解释性的推荐系统场景，如电子商务、流媒体服务、社交媒体平台和新闻门户。其能够有效处理冷启动问题、噪声数据和缺失数据，使其在实际应用中具有高度的适应性和鲁棒性。此外，KHGRec的解释能力也为用户提供了透明的推荐理由，增强了用户体验和信任。