知识图谱被广泛用于提高推荐准确度。知识图谱上的多跳用户-物品连接还提供了关于为什么推荐某个项的推理。然而，路径推理是一个复杂的组合优化问题。传统的推荐方法通常采用蛮力方法来寻找可行路径，这导致了与可解释性和收敛性相关的问题。在本文中，我们通过更好地监督寻路过程来解决这些问题。关键思想是用最小的标记努力提取不完美的路径演示，并有效地利用这些演示来指导寻路。特别地，我们设计了一个基于演示的知识图推理框架用于可解释推荐。我们还提出了一个反面的actor批评家(ADAC)模型用于演示导向的寻路。在三个真实基准上的实验表明，我们的方法比最先进的基准更快地收敛，并且具有更好的推荐精度和可解释性。

https://www.microsoft.com/en-us/research/publication/leveraging-demonstrations-for-reinforcement-recommendation-reasoning-over-knowledge-graphs/

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“R3KG” 可以获取《知识图谱上的增强推荐推理》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源