KGERA: архитектура рассуждений с обогащением графом знаний для рекомендательных систем

Почему важны более умные предложения

Сервисы потокового видео и приложения для шопинга постоянно пытаются угадать, что вам может понравиться далее. Но даже при огромных объёмах данных эти догадки порой кажутся странно неточными: слишком общими, сосредоточенными на блокбастерах или не учитывающими ту причудливую смесь интересов, которая на самом деле вам близка. В этой статье представлена KGERA — новый подход к рекомендациям, который стремится мыслить скорее как сведущий друг, чем как статистический механизм, комбинируя различные виды доказательств о предметах с явным, лёгким по вычислениям процессом рассуждения по сети знаний о фильмах.

От простых шаблонов к более глубоким связям

Большинство существующих систем рекомендаций сильно опираются на коллаборативную фильтрацию: если люди, которые любили те же фильмы, что и вы, также оценили какой-то другой фильм, этот фильм вам порекомендуют. Это хорошо работает при большом объёме данных, но испытывает трудности с новинками, нишевыми материалами и пользователями с небольшим числом взаимодействий. Другие методы добавляют информацию о содержании — жанры или текстовые описания — или используют графовые нейронные сети, которые рассматривают пользователей и предметы как узлы в большой сети взаимодействий. Тем не менее такие системы часто сводят всё к плотным числовым представлениям, из‑за чего сложно понять, почему появилось то или иное предложение, и медленно адаптируются при изменении каталога или вкусов пользователя.

Построение карты знаний о кино

KGERA начинает с построения графа знаний: структурированной карты, связывающей пользователей, фильмы, жанры и объекты, похожие на создателей. В этом графе отношения описывают, кто что смотрел, к каким жанрам принадлежит фильм, с каким псевдо‑режиссёром он связан и какие фильмы похожи, дополняют друг друга или являются взаимозаменяемыми. Похожие фильмы обычно разделяют и жанр, и создателя; дополнительные (комплементарные) фильмы принадлежат к разным жанрам, но близки по теме; заменяемые фильмы живут в одном жанре и умеренно похожи, поэтому могут служить альтернативой без тотального дублирования. Этот граф фиксирует не только со‑встречаемость, но и множество разных способов, которыми фильмы могут быть связаны.

Слой рассуждений, работающий в момент принятия решения

Поверх этой карты авторы проектируют модуль рассуждений, который активируется в момент генерации рекомендаций, а не во время долгих этапов обучения. Для конкретного пользователя модуль сначала строит профиль, суммирующий фильмы, которые он уже оценил положительно. Затем каждый кандидат оценивается через несколько прозрачных «линз»: общая похожесть на профиль пользователя, совпадение любимых жанров, согласованность с предпочтениями по создателям, кросс‑жанровые, но тематически близкие «растянутые» варианты, внутрижанровые замены, которые балансируют знакомство и новизну, и штраф для предметов, практически идентичных уже просмотренному. Эти компоненты объединяются в единый счёт с помощью простых математических весов, что делает логику понятной и легко настраиваемой при изменении поведения пользователей или содержания каталога.

Смешение многих голосов в один итоговый выбор

Вместо опоры на одну модель KGERA слушает девять разных стратегий рекомендаций и затем позволяет небольшому мета‑модулю решить, насколько доверять каждой из них. Наряду с модулем рассуждений система включает классические соседние методы, графовые рекомендатели, самосупервизируемые графовые модели, нейронный коллаборативный фильтр, сигнал популярности, модель встраивания графа знаний и модель, основанную на текстовом содержимом. Все их оценки нормализуются и подаются в простую логистическую регрессию, которая обучается присваивать вес каждому компоненту. Интересно, что соседства «товар‑к‑товару» и текстовое содержание оказываются самыми сильными положительными вкладчиками, тогда как популярность и некоторые графовые сигналы получают отрицательные веса и выступают в роли намеренных дебайсеров, сдерживая склонность системы чрезмерно продвигать хиты в ущерб менее известным, но релевантным титулам.

Устойчивый прирост для пользователей, фильмов и жанров

Авторы тестируют KGERA на известном наборе данных MovieLens‑1M и сравнивают её с сильными современными базовыми моделями, включая недавние самосупервизируемые графовые методы. По ряду метрик ранжирования и для разных длин списков KGERA последовательно показывает лучшие результаты, часто с относительным улучшением более чем на 50 процентов в том, как хорошо релевантный фильм оказывается вверху списка. Увеличения особенно значительны для пользователей с небольшим количеством прошлых взаимодействий и для фильмов средней популярности — двух областей, где современные системы часто испытывают сложности. Детальные исследования абляций, кросс‑валидация и проверки чувствительности показывают, что улучшения стабильны и не зависят от конкретного выбора гиперпараметров или разбиения данных, хотя некоторые жанры, например драмы, остаются сложными.

Что это означает для повседневных рекомендаций

Для неспециалистов основная идея такова: рекомендации можно сделать одновременно умнее и понятнее, проводя рассуждения по явной карте отношений между предметами, вместо того чтобы скрывать всё внутри большой «чёрной коробки». KGERA демонстрирует, что быстрый слой рассуждений во время выдачи, в сочетании с тщательно откалиброванным миксом старых и новых техник, может выдавать заметно лучшие предложения без обращения к медленным и ресурсоёмким языковым моделям. На практике это может означать, что интерфейсы потоковых сервисов и магазинов будут предлагать более релевантные, разнообразные и неожиданные варианты, особенно для новых пользователей и менее известных фильмов, при этом оставаясь достаточно эффективными для работы в реальном времени.

Цитирование: Muniraja, P., Satapathy, S.M. KGERA: knowledge graph enhanced reasoning architecture for recommendation systems. Sci Rep 16, 13994 (2026). https://doi.org/10.1038/s41598-026-42865-6

Ключевые слова: системы рекомендаций, графы знаний, графовое рассуждение, ансамблевое обучение, рекомендации фильмов