Personalized Recommendations using Knowledge Graphs: A Probabilistic Logic Programming Approach

基于内容的推荐
ProPPR ----a general-purpose probabilistic logic system（一般概率逻辑回归）

HyPER…
对cold-start，使用trust network
对friend/similarity，使用social network
HeteRec_p：
metapath（元路径）：可能相连的两点之间的路径

sim（Ck,ui）是k聚类和user i的相似性，0q是路径q的权重。

Heterogenous Information Networks (HIN)：异构信息网络
entity和link都有类型映射。
个性化PageRank
（1-a）的概率向下（邻居节点）移动，a的概率回到起始节点。

w是权重，Iuv是特征向量。
ProPPR ----Programming with Personalized PageRank（一阶概率逻辑回归）
找到user u的seedset


ProPPR运行个性化PageRank算法，以v0为起点，并通过PageRank得分对相应节点进行排序。个性化的PageRank评分将对那些用户通过多条短路径查看的电影中可访问的实体进行高排名，而对那些距离较远和/或没有多条路径可访问的实体进行低排名。
1.EntitySim
利用link，学习user对item的喜好
isApplicable()控制每个用户的训练和测试信息

ProPPR的标准positive-negative对数损失函数：

2.TypeSim：
使用link，还使用entities的type信息

对每种类型的流行程度建模，影响权重。

3.GraphLF
CF（协同过滤，collaborative filtering）：A喜欢m，m甜，n也甜，则A喜欢n；
LF（潜在因子，latent factor）：A喜欢甜，n甜，A喜欢n
在同一特征空间中映射user和item
与类型无关，增强模型泛化能力
不再针对-item对，而是对user、item在D维上分别计算权重
type-agnostic，无关类型

D：dimension
模型复杂度：

t<<m
数据集：
Yelp2013：现实数据
IM100K：过滤掉评价少于20部电影的
Density：
过滤掉少于k条评论的数据：

有足够的训练数据和density，EntitySim足够

未来：情感； 时间动态