Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation
在序列推荐中适配知识图谱进行行为去噪
Northeastern University, Shenyang, China
用结构化匹配的 KG 证据离线校准样本保留系数，对历史与目标加权去噪，不改动推理模型
📌 工作参考价值
- 电商/推荐系统常有商品知识图谱，但直接引入 GNN 会增加推理成本；AdaptedKG 的范式是离线用 KG 为每个训练样本算好保留系数，训练时只做加权，backbone 和推理流程完全不变，非常适合作为现有序列模型或去噪模型的插件。
- 结构匹配采样的去偏思路可以直接复用：对交互项按 popularity、KG degree、linkage status 分层匹配构造背景和参考集，再比较路径覆盖度/支持度，避免高流行度或高连接度 item 天然获得高置信度。
- 目标 loss 重加权公式 r_T = min(1, 2Q(...)) 简单实用：当候选 item 的 KG 支持度低于匹配参考中位数时降低其训练权重，可在电商 CTR/CVR 训练中抑制不可靠点击或误触样本。
- 方法对 SASRec、STEAM、BirDRec、SSDRec 四个 backbone 均有提升，说明这种外部 KG 校准信号与日志内部去噪机制互补，可以作为统一的上游样本置信度模块接入不同推荐模型。
动机 序列推荐依赖用户历史交互，但真实日志混合长期偏好、短期需求、探索性点击和偶然行为，并非每次交互都同等可靠。现有行为去噪方法主要依据共现、顺序或模型预测等日志内部信号，缺少显式的 item 间关系证据。知识图谱可以提供类型化关系，但 raw KG 连通性受 item 流行度、KG 度数、覆盖不均和共享实体影响，直接使用会产生偏差。
方法关键点 AdaptedKG 通过两个顺序执行的结构化匹配阶段，把全局 KG 连接转化为单个训练样本的保留系数，且不把 KG 表示注入推荐模型：
- 局部 KG 适配（matched null）：对当前上下文按 popularity、KG degree、linkage status 匹配替换 item，构造结构相似的背景上下文；保留并加权在当前上下文中显著高于背景的 two-hop 路径，形成样本专属局部 KG 视图。
- 支持度校准（matched reference）：对候选 item 匹配结构相似的参考 item，计算其在该局部视图中的路径支持度
S_K，再通过参考分布百分位得到 retention coefficientR = min(1, 2Q)。 - 历史 embedding 乘
r_H，目标 loss 乘r_T进行加权；所有样本系数离线计算，训练时 detach，推理不需要 KG 访问。若无法构造匹配集或路径为空，则回退为R=1。
关键实验 在 Steam Games（25,389 用户、4,089 item、328,278 交互、462,016 KG triples）上验证。AdaptedKG 增强 SASRec、STEAM、BirDRec、SSDRec 四个 backbone，所有指标均提升：例如 SASRec 的 H@5 从 72.0→85.9，N@5 从 45.3→56.5；STEAM 的 H@5 从 85.1→96.2。消融显示去局部适配降幅最大，matched null 和 matched reference 均有贡献。校准实验表明 matched reference 将 retention 与 KG degree 的相关性从 0.286 降到 0.057，与 popularity 的相关性从 0.200 降到 0.068。
最值得记住的一句话 用 KG 判断交互可靠性时，不能只看路径连通性，必须与结构相似的背景上下文和参考 item 比较，才能得到去偏的置信度信号。