DKN: Deep Knowledge-Aware Network for News Recommendation
Hongwei Wang, Fuzheng Zhang, Xing Xie, Minyi Guo
Shanghai Jiao Tong University, Microsoft Research Asia
http://cn.arxiv.org/pdf/1801.08284v2
在线新闻推荐系统旨在解决新闻的信息爆炸问题,并且给用户推荐个性化的新闻。一般而言,新闻语言高度精简,充满知识实体和常识。
但是,现有方法无法感知这种外界知识,无法完全发现新闻之间潜在的知识层面的联系。这就会造成给用户推荐的新闻局限于简单的模式,无法合理扩展。
为了解决上述问题,这篇文章提出一种深度知识感知网络,DKN,将知识图表示融入到新闻推荐中。DKN是一种基于内容的用于点击率预估的深度推荐框架。DKN的主要部分是一个多通道、单词实体对齐的知识感知卷积神经网络,KCNN,其中融入了新闻在语意层面和知识层面的表示。KCNN将单词和实体作为多通道,在卷积过程中明确保留他们之间的对齐关系。
为了解决用户兴趣多样性,作者们设计了一种注意力模块,用于自适应聚合用户对当前候选新闻的历史行为。在真实在线新闻平台上的大量实验表明,DKN的效果优于STOA深度推荐模型。
现有方法具有一定的缺陷,比如
新闻关联图示如下
知识图嵌入的基础及简介如下
几种转换方法及目标函数简介如下
卷积神经网络用于句子表示的简介如下
对应的图示如下
问题描述如下
DKN整体框架图示如下
基于知识图谱的知识蒸馏图示如下
实体的上下文定义如下
知识图谱中实体的上下文图示如下
下面是知识感知的卷积神经网络介绍
这种方法具有一定的局限性,比如
为了缓解以上局限性,作者们提出了多通道单词实体对齐卷积神经网络,KCNN,简介如下
后续操作还有一些max-over-time pooling和变化的窗口大小。
利用注意力网络提取用户兴趣的方法简介如下