近日，光明实验室于非院士团队和西安电子科技大学综合业务网理论及关键技术（ISN）国家重点实验室郭洁老师以及OPPO广东移动通信有限公司合作，在数据挖掘领域顶刊、CCF A 类期刊IEEE Transactions on Knowledge and Data Engineering上发表一篇题为“Trust-aware Multi-task Knowledge Graph for Recommendation”的文章，为缓解个性化推荐系统中的数据稀疏和冷启动问题，将用户信任关系图(Trust Graph)和物品知识图谱(Knowledge Graph，KG)同时作为辅助信息，并设计了信任感知推荐(Trust-aware Recommendation)和KG推荐(Knowledge Graph Recommendation)两个子任务，首次以多任务学习的方式综合考虑社交网络推荐和KG推荐，将两个任务互相辅助，得到更准确的用户和物品高阶关联特征，大幅提升个性化精准推荐性能。

图1 为用户和物品分别添加辅助信息的用户-物品交互图

近年来，随着互联网信息的爆炸式增长，人们在海量数据中获取感兴趣信息越来越困难。推荐系统(Recommendation Systems，RS)已广泛应用于电子商务和生活服务类网站，可以有效解决电影、音乐、美食推荐等领域的信息过载问题。传统的推荐算法数据依赖性高，在交互信息或物品信息丰富的情况可以达到较理想的性能，如基于内容的过滤、协同过滤等。然而，在数据稀疏的情况下，这些算法尚无法满足精准推荐需求。社交网络推荐和基于KG的推荐都受到了推荐系统领域国内外学者的广泛关注，它们都是解决数据稀疏问题的方案，但由于两种推荐方法的数据异构型差异，始终无法同时应用于个性化精准推荐系统。

如图1所示，社交关系和KG可以分别作为用户-物品交互图中用户和物品的辅助信息来辅助建模。传统的推荐算法主要关注节点的局部邻居节点之间的聚合，忽略了细粒度的图间关系，如交互图与信任图中用户节点（或知识图谱中物品节点）之间存在的隐式关联，造成用户和物品信息匮乏。

针对以上问题，课题组提出了一种多任务推荐方案，该方案允许将用户信任图和物品知识图谱同时作为用户-物品交互图的辅助信息，并且通过信任感知推荐和KG推荐两个子任务的互相辅助，进一步优化个性化推荐的准确性。首先，本研究设计了两个子任务，信任感知推荐子任务和KG推荐子任务，共同实现用户偏好预测。在KG推荐子任务中，本研究设计了共享交叉单元，使得KG辅助交互图中的物品特征提取。在信任感知推荐子任务中也是类似的，利用共享交叉单元使得信任图辅助交互图中的用户特征提取。最后，通过融合从不同子任务获得的用户和物品特征来执行偏好预测。即使由于数据限制或其他原因导致某一个子任务无法工作时，单个子任务也可以独立完成推荐。因此本研究不仅能提高模型的推荐性能，而且提升了模型的可扩展性及容错性。

图2. 信任感知多任务推荐算法总体框图

如图2所示，本研究所提出的模型包括三个部分：（1）初始化：初始化信任图、交互图和KG，获得用户和物品的初始特征表示。（2）用户和物品建模：通过信任感知推荐数据建模和KG推荐数据建模来优化用户和物品的特征，然后通过共享交叉单元捕获交互图和信任图（或知识图谱）之间节点的高阶连接。（3）多任务联合预测：将两个推荐子任务得到的用户特征向量和物品特征向量分别融合，利用融合后的用户和物品特征做匹配预测，并且对两个子任务同时优化。

图3是基于信任感知多任务推荐的实验结果，可以看出该模型优于所有基线模型。本研究在用户侧和物品侧分别引入的图结构辅助信息，有利于挖掘用户和物品之间的潜在关系，缓解了用户和物品之间交互稀疏的冷启动问题。

图3. 基于信任感知多任务推荐的数值实验结果

本研究创造性地以“多任务学习”的方式将社交网络推荐和KG推荐两个任务作为一个整体互相辅助学习，得到更准确的用户和物品特征，从而大幅提升个性化精准推荐性能。西安电子科技大学硕士生周妍是本文的第一作者，西安电子科技大学郭洁副教授和宋彬教授是本文的通讯作者。该工作得到了国家自然科学基金、中央高校基本科研基金、中国博士后科学基金、陕西省自然科学基金以及ISN国家重点实验室的资助。

原文：

Yan Zhou, Jie Guo, Bin Song, Chen Chen, Jianglong Chang, and Fei Richard Yu. Trust-aware Multi-task Knowledge Graph for Recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2022.

参考文献：

[1].B. Fu, W. Zhang, G. Hu, X. Dai, S. Huang, and J. Chen, “Dual side deep context-aware modulation for social recommendation,” in Proceedings of the Web Conference 2021, 2021, pp. 2524–2534.

[2].X. Wang, X. He, Y. Cao, M. Liu, and T.-S. Chua, “KGAT: Knowledge graph attention network for recommendation,” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019, pp. 950–958.

[3]. J. Guo, Y. Zhou, P. Zhang, B. Song, C. Chen. Trust-Aware Recommendation Based on Heterogeneous Multi-Relational Graphs Fusion. Information Fusion. Volume 74, October 2021, pp. 87-95.

实验室简介

人工智能与数字经济广东省实验室（深圳）（以下简称光明实验室）为省政府批准筹建的第三批广东省实验室之一，经市政府批准已设立为事业单位。实验室面向人工智能与数字经济的重大战略需求，由广东省政府统筹规划及顶层设计，深圳市政府主导建设、运营与管理，深圳大学作为牵头建设单位。实验室致力于打造人工智能与数字经济全链条创新平台、数字经济区域开放产学研合作平台、创新人才聚集和培养的基地以及核心技术成果转化和孵化平台。在此建设目标下，实验室遵循“创新、责任、进取、合作”的核心价值观，主要围绕区块链与金融科技、智能传感与精准医疗、机器学习与智能系统、泛在感知与智慧城市四个方向展开研究。

扫码关注我们

人工智能与数字经济广东省实验室（深圳）

官方网站：http://www.gml.ac.cn

招聘联系：hr_office@gml.ac.cn