知识卡片：AdaptedKG——自适应知识图谱用于序列推荐中的行为去噪

一句话结论

AdaptedKG 提出一种不修改推荐骨干模型、只在训练时离线利用知识图谱（KG）关系证据来评估交互“可信度”的行为去噪方法，通过保留/丢弃历史交互和重加权训练损失，在标准序列推荐器及多种行为去噪序列推荐器上取得提升。

事件概述或研究问题

序列推荐根据用户历史交互预测下一个物品，但真实日志中混杂持久偏好、临时需求、探索行为和偶发操作，部分交互会扭曲历史表征或提供不可靠监督。已有去噪方法主要依赖共现、顺序或模型预测，缺少物品间关系的显式证据。知识图谱能够提供这类证据，但物品流行度、图度数、覆盖不均和广泛共享实体可能虚增连通性，使可靠性估计产生偏差。AdaptedKG 正是针对这一问题提出校准后的知识图谱证据。

方法/产品要点

AdaptedKG 不将图表示加入推荐模型，而是为每个训练样本离线计算校准的 KG 证据。
首先，将观察到的交互上下文与结构匹配的替代上下文比较，识别异常突出的关系路径，并据此构建局部 KG 视图。
然后，将每个交互与结构匹配的参考物品比较，在局部 KG 视图内校准该交互的支持程度。
校准产生的“保留系数”用于门控历史表示，并重新加权目标损失。
所有样本级分数均使用训练交互和固定 KG 离线计算，推理阶段不需要访问 KG，推荐骨干模型保持不变。

主要结果或产业意义

实验表明，AdaptedKG 在标准序列推荐器和多个行为去噪序列推荐器上均带来增益。
具体数据集、基线模型、提升幅度和评测指标尚未在摘要中给出，待核实。

为什么重要

现有去噪方法缺少显式的物品关系证据，而直接使用 KG 又容易受到流行度、图度数和覆盖偏差的影响；AdaptedKG 通过结构匹配的替代样本进行校准，提供了缓解上述偏差的新思路。
相比已有知识图谱用于推荐的卡片，本条增量信息在于：不修改推荐模型结构，只利用离线计算的 KG 校准系数进行去噪，推理时无需任何图访问，便于部署到现有推荐管线。
与既有脉络中“RAG+LLM自动构建动态主逻辑知识图谱”不同，本工作聚焦序列推荐中的历史交互去噪，而非复杂系统诊断。

局限与不确定性

摘要未说明 AdaptedKG 在不同数据规模、KG 稀疏或覆盖较差场景下的表现，待核实。
未提供与不使用 KG 的消融对比、计算开销或离线分数的存储成本，待核实。
未说明“保留系数”的阈值的设定方式及其对推荐性能的敏感性，待核实。
仅从摘要看，实验对象是“标准序列推荐器和多个行为去噪序列推荐器”，具体名单和是否包含最新 SOTA 待核实。

可用于图书/PPT/简报的角度

用“交互日志中的噪音”引出序列推荐不可靠监督问题，再引入知识图谱作为外部证据。
以“校准”为核心概念，说明如何避免物品流行度和图度数高带来的误判。
强调“推理时零图访问”的工程优势，适合推荐系统部署场景。
可作为“知识图谱 + 推荐系统”主题下，从“图谱增强表征”转向“图谱辅助去噪”的典型例子。

英文标题、关键词与原始来源

英文标题：Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation
英文关键词：sequential recommendation; knowledge graph; behavior denoising; calibration; offline computation
原始来源：https://arxiv.org/abs/2608.21243v1