推荐系统|基于知识图谱的研究

1.知识图谱

知识图谱是一种有向信息异构网络，其包含节点–“实体”与有向边–“关系”，因而蕴含了推荐系统中对于物品的大量背景信息，以及物品之间的关系。并且它可以与用户行为数据构成的用户–物品网络集成起来，从而扩展了用户与商品之间存在的隐藏的关联关系，补充了用户与物品交互数据，因此可以更进一步地提升推荐效果。

知识图谱构建方法

知识图谱的构建方法主要分为自顶而下、自底而上。

自顶而下：指从高质量数据中提取本体和模式信息加入到信息库中。

自底而上：指从公开采集的数据中提取资源模式，选择置信度较高的信息加入到知识库中。

知识图谱的架构分为逻辑架构和技术架构。

逻辑架构：

在逻辑上，知识图谱分为两层：数据层和模式层。数据层存储真实的数据。在数据层至上的模式层是知识图谱的核心，存储经过提炼的知识。

例：

模式层：实体-关系-实体，实体-属性-性值

数据层：邓超-妻子-孙俪，邓超-演员-美人鱼

技术架构：

2.基于知识图谱的推荐算法

2.1基于嵌入的方法

通过图嵌入的方法对实体和关系进行表征，进而扩充原有物品和用户表征的语义信息。其中包括基于Trans系列的图谱嵌入方法和基于异质信息网络的图嵌入方法。

图嵌入：将图的节点表示成一个低维向量空间，同时保留网络的拓扑结构和节点信息，以便在后续的图分析任务中可以直接使用现有的机器学习算法。

一些基于深度学习的图嵌入同时也属于图神经网络，例如一些基于图自编码器和利用无监督学习的图卷积神经网络等。

基于Trans系列的图谱嵌入方法：Trans系列的嵌入方法是比较典型的一类对知识图谱中的实体、关系进行表征的方法。这类方法目的是将实体和关系映射到连续的向量空间中,获得低维稠密表示。

TransE：将知识库中的关系看作实体间的某种平移向量。对于每个事实三元组(h,r,t)，TransE模型将实体和关系表示为同一空间中，把关系向量r看作为头实体向量 h和尾实体向量 t 之间的平移即 h + r ≈ t。
 

基于异质信息网络的图嵌入方法：知识图谱因其节点和边具有不同的类别，又可以被称作一种异质信息网络图，因此可以使用一些异质信息网络图的嵌入的方法对图上的实体和关系进行表征。

2.2基于路径的方法

基于路径的应用知识图谱在推荐系统的方法主要是挖掘基于图谱用户、物品之间多种连接关系。