基于知识图谱的推荐系统场景应用与前景解读

一：基于知识图谱的推荐系统-
1.辅助系统做出精准的推荐
结合推荐系统中用户与物品的交互数据，扩展用户和物品间的隐藏连通关系，从而更精准地建模用户偏好，提高推荐效果
2.阐述了知识图谱如何给推荐结果提供可解释性，并总结了不同技术手段

二：知识图谱的利用方式
1.基于嵌入的方法
方式：利用知识图谱中丰富的语义关系，来丰富物品，用户的表征。
思路： @_One：图嵌入模块，可以学习知识图谱中实体和关系的表征
思路：@_two：和推荐模块,以建模用户对物品的偏好
重要侧重学习：学习知识图谱中的语义表示，

2.基于连接的方法
方式：基于实体之间的连接方式做推荐，这类方法是将包含物品属性的知识图谱与用户-物品的交互矩阵相结合。构建用户-属性-物品图，挖掘用户和物品间的多种连接关系
思路：利用实体间的连接相似性做推荐。-计算不同路径下实体间相关性
思路：挖掘用户与物品之间存在的语义路径，学习实体间连接路径的显示表征，将其引入推荐框架中
重要侧重学习：关注知识图谱中实体的连接信息

3.基于传播的方法
实现路径：
1. 用户的历史行为，通过聚合用户历史交互物品的多跳邻居来丰富用户表征，从而将用户的历史兴趣在知识图谱中沿着向外传播【RippleNet】
2.将目标物品与其多跳邻居聚合，更新物品的表征。在聚合过程中，实体表征的聚合权重由用户