论文阅读笔记：A Survey on Knowledge Graph-Based Recommender Systems

TKDE 2020 - A Survey on Knowledge Graph-Based Recommender Systems)

原文： A Survey on Knowledge Graph-Based Recommender Systems.
28 Feb 2020
中科院计算所百度微软等学者

一、Abstract

为了解决各种在线应用中的信息爆炸问题，提高用户体验，推荐系统被提出来进行用户偏好建模。尽管人们已经做出了许多努力来实现更加个性化的推荐，但是推荐系统仍然面临着一些挑战，比如数据稀疏性和冷启动。近年来，以知识图谱作为边信息生成推荐引起了人们的极大兴趣。这种方法不仅可以缓解上述问题，提供更准确的推荐，而且可以对推荐的项目进行解释。 本文对基于知识图谱的推荐系统进行了系统的研究。我们收集了这一领域最近发表的论文，并从两个角度进行了总结。一方面，我们通过研究论文如何利用知识图谱进行准确和可解释的推荐来研究所提出的算法。另一方面，我们介绍了这些工作中使用的数据集。最后，我们提出了几个可能的研究方向。

二、Introduction

推荐算法是推荐系统的核心部分，主要分为

1. 基于协同过滤（CF）的推荐系统：基于用户或项目在交互数据中的相似性来建模用户偏好。
2. 基于内容的推荐系统：利用项目的内容特征。
3. 混合推荐系统。

基于CF的推荐系统由于能够有效地捕捉用户的偏好并易于实现而得到了广泛的应用。在多个场景下，不需要在基于内容的推荐系统中提取特征[5]，[6]。然而，基于CF的推荐存在数据稀疏和冷启动问题[6]。为了统一推荐系统的相似性和交互性，提出了混合的内容推荐系统。
KG是一个异构图，其中节点作为实体，边表示实体之间的关系。

将知识图谱应用在推荐系统的好处：
1. 提高推荐系统的精度；
2. 推荐的结果具有可解释性。

常见知识库：

推荐任务是向给定的用户推荐一个或一系列未被观察到的项目，它可以被描述为以下步骤：

1. 首先，系统学习给定用户和项目的向量表示。
2. 然后，它学习了一个评分函数：f : ui × vj → yˆi,j，它建模ui对vj的偏好。
3. 最后，通过对项目的偏好得分排序来生成推荐。

要学习用户/项目的向量表示和评分函数，有三种主要方法：