摘要和符号定义
本文主要提出了一个多任务学习模型,联合学习图嵌入模型和推荐系统。给定用户U和商品v,以及两者交互矩阵 Y ∈ R M × R Y \in R^{M \times R} Y∈RM×R,和知识图谱G,目标是预测用户u的潜在兴趣g,得到一个预测函数 y u , v = F ( u , v ∣ θ , Y , G ) y_{u,v}=F(u,v| \theta,Y,G) yu,v=F(u,v∣θ,Y,G)。其中 y u v y_{uv} yuv是用户u对v的兴趣概率。 θ \theta θ是函数F模型参数。
模型
如图模型分为两个部分,一个是推荐模块,一个为图嵌入模块,中间通过交叉压缩模块共享信息
交叉压缩模块
- 交叉模块
v l ∈ R d 和 e l ∈ R d v_l \in R^d和e_l \in R^d vl∈Rd和el∈Rd。
- 压缩模块
注意的是本模块适用于浅层,若用于深层反而可能起到副作用。
推荐模块
用户u使用多层感知机MLP表示,全连接层和非线性激活函数
产品v使用交叉压缩模块表示
最后通过合并两路特征,使用预测函数
f
R
S
f_{RS}
fRS得到预测概率。
图嵌入模块
利用交叉压缩模块和非线性层来处理特征向量(including ID [13], types [36], textual description),之后这些隐特征向量连接,在使用MLP来预测尾实体t
最后使用得分(相似性)函数计算,本文采用归一化内积
算法
损失函数如下
算法1
接下来证明了本方法是其他方法的通用性,侧面印证该方法的有效性,实验部分不过多赘述。