【保姆级】论文阅读与分析《Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation》

《Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation》-by Qingyao Ai, Vahid Azizi , Xu Chen and Yongfeng Zhang

精读的论文记录下来才不会忘呀！😃

摘要 Abstract

本文目的：说明基于知识的嵌入并提出可解释的推荐系统。具体而言，①提出了一个基于知识的表示学习框架，用于推荐算法的异构实体嵌入；②基于嵌入知识库，提出一种软匹配算法以生成推荐物品的个性化说明。
关键词：recommender systems; explainable recommendation; knowledge-base embedding; collaborative filtering

1. Introduction

第一段作者来回发问：我们能不能利用大规模结构化的用户行为数据来提升协同过滤算法的性能？能不能？嗯？能不能？当然，答案是肯定的！(必须能啊，否则下一句就是此文终[强颜欢笑]）

基于知识的嵌入将异构信息投影到一个统一的低维嵌入空间中并获得了成功，因而作者想到，通过将多类别的用户信息和物品属性信息编码到最终的用户/物品嵌入中，可以在保留知识内部结构的基础上增强推荐系统的性能。与此同时，通过保留用户/物品/异构实体的知识结构，可以利用模糊推理为用户生成量身定制的推荐物品说明。[注释：基于知识的嵌入 knowledge-base embeddings 即 KBE；异构信息 heterogeneous information]

本文中，作者在知识图的基础上设计了一种新的可解释的协同过滤框架。该框架主要是通过结合传统协同过滤和基于知识的嵌入构建而成。作者首先定义 user-item 知识图的概念，该过程将用户行为以及物品属性相关知识编码为关系图结构。接着，作者延伸了协同过滤算法的设计理念以学习知识图，帮助形成个性化推荐。最后，对于每一个推荐物品，作者利用软匹配在知识图路径中构建模糊推理，以生成个性化说明。[注释：协同过滤 collaborative filtering]

在后续章节中，第二章描述相关工作，第三章提出问题表述，第四章介绍基于知识图的协同过滤模型，第五章介绍生成推荐说明的软匹配方法，第六章讲述实验设置，第七章进行结果讨论，第八章总结工作并展望未来的研究方向。

2. Related Work

主要介绍了知识图在推荐系统中的发展。早期的基于知识的嵌入方法主要依靠矩阵分解或是非参数贝叶斯框架。近年来神经嵌入的进步催生了许多神经知识嵌入方法，例如transE，transH 和 transR。（按道理讲trans系列模型应该归类为把尾实体作为头实体和关系的一种翻译模型，论文将其作为神经知识嵌入方法来描述，在此我仅作"neural knowledge-base embedding approaches"的直译，希望读者勿混淆）

这一部分可以参考知乎文章对知识图谱嵌入主流模型的简介，包括翻译模型、双线性模型、神经网络模型、双曲几何模型和旋转模型等：KGE主流模型简介

3. Problem Formulation

为了将问题数学化、公式化，首先构建三元组集合知识库 S={(e_h,e_t,r)}，其中 e_h 代表头实体， e_t 代表为实体， r 代表从头实体到尾实体的关系。如此一来，目标系统的任务可表述为：1）对于每一个用户 u ，找到一个或一系列最有可能被其购买的物品 i ；2）对于每一个被检索的user-item对，基于 S 构建自然语言句子以解释用户选择该物品的理由。[注释：e_h 即 head entity ，e_t 即 tail entity ， r 即 relationship ]

为简化模型，作者仅考虑5种实体：

• 用户 user ：推荐系统的用户
• 物品 item ：推荐系统的产品<