Meta-Level Based Recommender System Using Knowledge Graph-based Neural Collaborative Filtering

技术摘要：基于知识图谱神经协同过滤的元级推荐系统

问题陈述
推荐系统，特别是在数字图书领域，面临着数据稀疏性和“冷启动”问题的严峻挑战，即新用户或新物品缺乏足够的交互历史。传统的协同过滤（CF）由于依赖交互数据，在冷启动方面表现不佳；而基于内容的过滤则受限于用户属性变量和物品属性的可用性。现有的混合方法和元学习方法（如 TaNP、PAML、MPML、MetaEDL 和 FO-MSAN）试图解决这些问题，但往往存在计算复杂度高、在稀疏条件下准确度低或处理冷启动场景效率不足的问题。具体而言，基准方法 FO-MSAN 虽然在稀疏数据方面表现有效，但其计算复杂度较高且准确度并非最优。

方法论：Meta KG-NCF
作者提出了 Meta KG-NCF，这是一种将知识图谱（KG）与神经协同过滤（NCF）集成在 一阶模型无关元学习（FOMAML）框架下的混合推荐系统。该架构通过三个连续阶段运行：

1. 知识图谱语义嵌入（阶段 1）：

   • 利用物品侧属性（书籍、作者、出版商）构建知识图谱，包含两种类型的关系：written_by（由……编写）和 published_by（由……出版）。
   • 使用 TransE（平移嵌入）来学习实体嵌入。该模型将关系视为嵌入空间中的平移向量（$h + r \approx t$），并通过带有负采样机制的基于边际的排序损失进行优化。
   • 至关重要的是，这些 TransE 嵌入在训练后被 冻结，作为固定的语义先验。这确保了即使在缺乏交互历史的情况下，物品的表示依然具有信息量。

2. 与 NCF 的元级融合（阶段 2）：

   • 系统采用一种元级策略，将来自 KG 的语义表示与可训练的协同嵌入（用户和物品）进行拼接，从而形成统一的特征向量。
   • 该融合向量被输入到 神经协同过滤（NCF） 组件中，该组件利用带有 ReLU 激活函数和层归一化（Layer Normalization）的多层感知器（MLP）。
   • NCF 组件作为第二个基础方法，通过精炼富含语义的表示，来捕捉复杂的、非线性的用户-物品交互。

3. FOMAML 适配（阶段 3）：

   • 组合模型使用 FOMAML 进行训练，以将冷启动处理为一个少样本学习（few-shot learning）问题。
   • 每个用户被视为一个任务，包含一个支持集（少量交互）和一个查询集。
   • 内循环（Inner Loop）： 可训练的协同参数（NCF 权重和嵌入）在支持集上进行适配。固定的 KG 语义先验在适配过程中被 排除，以保持效率和稳定性。
   • 外循环（Outer Loop）： 通过在查询集损失上计算的一阶梯度来更新协同参数的共享初始化，从而避免了完整 MAML 中计算昂贵的二阶导数。

核心贡献
论文概述了五项具体贡献：

1. 解耦架构： 一种将语义信号（KG）与协同信号（NCF）分离的元级架构。语义先验在元训练期间保持固定，从而将个性化过程隔离在协同组件中。
2. 形式化 KG 构建： 构建了一个涵盖书籍、作者和出版商的知识图谱，并利用基于 TransE 的先验，为冷启动场景提供了鲁棒的物品表示。
3. 集成 FOMAML： 应用了一套一阶元学习程序，其中仅对协同参数进行适配，明确定义了混合设计中的元学习范围。
4. 受控评估： 一个可复现的评估协议，通过从头开始重新实现五个基准模型（TaNP、PAML、MPML、MetaEDL、FO-MSAN），并在相同的划分和硬件上进行测试，以确保公平比较。
5. 诚实的表征： 透明地报告结果，承认虽然该方法提高了准确性和效率，但并未在所有排名指标上都统一优于基准模型。

实验结果
该方法在三个大规模数据集上进行了评估：Goodreads 100K、AmazonBook 和 Book-Crossing，涵盖了 80:20 和 90:10 的训练/测试划分，并包含了特定的冷启动场景（新用户和新物品）。

• 准确度： Meta KG-NCF 实现了最低的误差率，与最强的基准方法 FO-MSAN 相比，平均绝对误差（MAE）和均方根误差（RMSE）降低了约 10–11%。统计显著性检验（配对 t 检验和经 Holm–Bonferroni 校正的 Wilcoxon 符号秩检验）证实了这些改进具有显著性（$p < 0.05$）。
• 排序质量： 在排名指标（Precision@5, MRR@5, NDCG@5）上，Meta KG-NCF 与 FO-MSAN 在统计上处于同一水平。它并未表现出统一的优越性；在某些特定设置下（例如 80:20 划分中的 Precision@5），FO-MSAN 的表现略优于所提方法。
• 效率： Meta KG-NCF 展示了卓越的计算效率，在相同的仅 CPU 硬件上，其训练速度比 FO-MSAN 快 11–17%。这归功于避免了二阶梯度计算，并且没有使用辅助关联网络。
• 消融研究： 研究表明，虽然 KG 与 NCF 的融合显著提高了评分预测的准确度（MAE/RMSE），但独立的 NCF 通道实际上获得了更高的 Precision 和 NDCG，而独立的 KG 则获得了更高的 MRR。融合过程略微削弱了排名的锐度，但优化了点估计的准确性。

意义与主张
论文声称，Meta KG-NCF 的主要意义在于其能够在不牺牲相对于最强基准模型之排名质量的前提下，提高冷启动条件下的评分预测准确度和计算效率。

作者的表述较为谦逊，明确指出：

• 该方法在所有指标上并非完全优越；其优势在误差降低（MAE/RMSE）和速度方面最为明显。
• 新物品冷启动场景仍然是所有方法中最困难的设置，所有方法的性能在此场景下都会剧烈下降。
• 其排名改进在所有情况下与 FO-MSAN 相比均未达到统计学上的显著差异。
• 目前的实现使用了冻结的 TransE 先验和有限的关系类型（作者/出版商），这表明未来的工作可以受益于更丰富的图关系和更具表达力的嵌入模型。

总之，论文将 Meta KG-NCF 定位为一种针对图书领域冷启动推荐的稳健且高效的解决方案，在实现高准确度、低计算成本和具有竞争力的排名性能之间提供了切实的权衡。