基于知识图谱的推荐系统场景应用与前景解读

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和目标实体共同决定，从而将用户的偏好引入到实体表征的更新过程中【KGCN】
   3.将用户物品交互矩阵与包含属性信息的知识图谱相结合，从而将用户和物品统一表示在一张图，并在图中各自的多跳邻居表征聚合，丰富用户与物品的表征，代表工作包括【KGAI】
   方式：基于传播的方法结合以上两大方法的思路：
   基本思想：借助知识图谱中实体间的连接路径，将实体语义表征在图中传播，直接建模实体间的高阶关系，从而更合理地挖掘了知识图谱所包含的信息
   三：不同策略的优缺
   1.嵌入算法学习——知识图谱中实体和关系的表征，并融入推荐系统框架中
   优点：应用较为灵活，易于实践
   缺点：忽略了实体间的高阶关系，且可解释性无。
   2.基于连接的方法侧重于——挖掘用户与物品在知识图谱中的多种连接关系
   优势：连接模型往往可以带来可解释性
   缺单：不适合用户与物品交互数据系数的场景，且将用户与物品间复杂的关系分解为若干连接单元会损失部分信息
   3.传播方法基于图上传播机制，结合了基于前两种方法
   优点：充分挖掘知识图谱中的信息。
   缺点：训练过程中消耗见多计算资源，在大规模数据的业务场景下需要考虑可扩张性。

总结：
1.动态推荐：
目前，基于知识图谱的推荐算法往往训练时间较长，成本高，适用与静态的推荐场景，用户的兴趣在很长一段时间内保持稳定。
然而在实际的业务场景中，用户的兴趣往往在变化迅速。如何基于实时的反馈数据，动态迭代推荐策略，保证推荐的时效性
2.多任务学习：
知识图谱本身存在的问题，事实信息并不完整，导致实体间部分关系缺失。从而可能忽略用户的部分偏好。因此可以设计与知识图谱相关的任务，
例如：知识图谱补全，将其与推荐系统联合训练，以便提高推荐效果
3.跨领域推荐：
在实际业务场景中，用户往往会选购不同领域的商品，不同领域交互数据可以与知识图谱自然地结合在一起
，且推荐系统在多种场景下往往具有相似的规律。
迁移学习：是通过共享交互数据相对丰富的源领域的交互特征，缓解目标领域数据稀疏问题，从而在多个领域做出更好的推荐结果
4.结合知识的文本表示：
通过将外部知识图谱中丰富的信息引入语言模型训练中，可以获得更好的文本表示。