SPRIG：基于知识图的生成推荐的语义 ID 增强路径

摘要

利用生成模型的推荐系统通常直接生成项目标识符，而不是通过推荐分数对目录项目进行排名。最近的工作通过结合项目内容和项目之间的结构化关系，超越了纯粹的顺序交互信号，出现了两个不同的方向。语义 ID (SID) 通过使用从项目内容派生的分层量化离散代码替换不透明的随机初始化嵌入来丰富项目表示。相反，知识图 (KG) 路径推理会生成实体关系路径，将推荐基于项目、属性和外部实体之间的结构化关系，从而丰富关系上下文。这两行具有互补的局限性：基于 SID 的模型缺乏关系依据，而基于 KG 的生成推荐器仍然将项目表示为与大型嵌入表相关的任意、不透明的token，从而限制了参数共享和泛化。我们提出了 SPRIG，一种生成推荐器，它将内容派生的 SID 集成到 KG 路径推理中。 SPRIG 在信息丰富的 KG 路径上进行训练，该路径终止于表示为离散的、内容派生的token的项目，结合了两种方法的优点。我们根据涵盖顺序语言模型、KG 增强方法和基于 SID 的方法的基线评估电影和音乐推荐数据集上的 SPRIG。我们的结果表明，与之前的生成模型相比，SPRIG 实现了具有竞争力的性能，同时使用更少的参数和更低的计算成本。代码：https://github.com/justinhangoebl/semantic-id-knowledge-graph-recommender