【論文翻譯】統一知識圖譜學習和建議：更好地理解用戶偏好

一、摘要 將知識圖譜（KG）納入推薦系統有望提高推薦的準確性和可解釋性。然而，現有方法主要假設KG是完整的並且簡單地在實體原始數據或嵌入的淺層中轉移KG中的「知識」。這可能導致性能欠佳，因爲實用的KG很難完成，並且KG通常缺少事實，關係和實體。因此，我們認爲，當將KG納入推薦系統時，考慮KG的不完整性是至關重要的。   在本文中，我們共同學習推薦模型和知識圖完成。與之前基於KG的推薦方法不同，我們

>>阅读原文<<