A Survey on Knowledge Graph-Based Recommender Systems

1 INTRODUCTION

三种推荐方法：CB、CF、混合。CF高效但是数据稀疏性和冷启动问题，因此利用了各种边信息来解决。
将知识图谱作为边信息，好处：

• 准确性：user和item在不同的隐含关系下连接起来
• 可解释性：追随user-item图中的关系队列

之前一些KG-RS的综述有或多或少的缺陷，因此本篇文章。

3 METHODS OF RECOMMENDER SYSTEMS WITH KNOWLEDGE GRAPHS

根据这些工作如何利用KG信息，我们将它们分为三类：基于嵌入的方法、基于连接的方法和基于传播的方法。
一般来说，这些方法的第一步是构建一个KG，要么是 item KG，要么是user-item KG。

3.1 Embedding-based Method

两个基本模块：

• 一个是图嵌入模块，用于学习KG中实体和关系的表示；
• 另一个是推荐模块，使用学习到的特征，预测用户u对物品i的偏好。

基于这两个模块在框架中是如何关联的，分为以下三类。

3.1.1 Two-stage Learning Method

两阶段学习方法代表对图嵌入模块和推荐模块进行逐一训练。第一步学习到了实体和关系的表示， 然后，将预先训练的图形相关嵌入与其他用户特征和项目特征一起输入到推荐模块中进行预测。（感觉和召回—排序相似、那么KG得到的嵌入应该是固定的还是可更新的呢？ 个人认为fix）

• DKN 新闻推荐。新闻Vj：通过将使用KimCNN[78]学习到的[句子的文本嵌入]与通过TransD学习到的[在新闻内容中实体的知识级嵌入]相结合。 通过聚合历史点击新闻的嵌入来学习用户Ui的表示：
  
  S(vk，vj)度量候选新闻vj和点击新闻vk之间的相似性。第二步，
  
• 用于序列推荐的KSR框架。 KSR利用GRU网络捕获用户的顺序偏好，KV-MV模块利用知识库信息对用户的属性级偏好进行建模。给出交互队列， GRU网络将用户在时间t上的表示建模为隐藏状态向量Hit：
  
  其中Qit是用BPR模型[80]预先训练的项目嵌入。 对于KV-MN模块，首先学习实体嵌入e和关系嵌入r使用TransE模型[81]。 并利用项目属性向量的注意机制对用户的属性级偏好Mit进行建模。
  
  KSR框架可以通过检查用户对显式属性的注意权重来解释。
• KTGAN，a GAN-based recommendation model。 在第一阶段，KTGAN通过将Metapath2Vec模型[82]使用在电影的KG上，以及将Vtj与Word2Vec模型[83]使用在电影属性上，学习为电影VJ的知识嵌入Vkj。
  
  
  Uik是Ui最喜欢的电影的知识嵌入的平均值，Uti是Ui的标签嵌入。第二阶段，GAN（看不懂了。。）
  
  
• BEM， 它使用来自两个项目KGS的信息，一个具有项目属性级别的知识，另一个被命名为行为图，包含与用户相关的关系，例如“共同视图”、“共同购买”。 首先从两个KGs学习到两个初始嵌入，分别使用TransE模型[81]和图形SAGE模型[84]。 接下来，他们设计了一个贝叶斯生成模型来相互细化这两种表示，并在每个图中保留项目的结构信息。 最后，可以通过在“共买”或“共单击”关系下在行为图中找到最接近的交互项来生成推荐。

两阶段学习方法易于实现，其中KG嵌入通常被视为额外的特征。 无需交互数据就可以学习KG嵌入，因此，大规模交互数据集不会增加计算复杂度。 一旦学习了嵌入，就没有必要频繁地更新嵌入。 由于KGE模块和推荐模块是松散耦合的，因此学习的嵌入可能不适合于推荐任务。

3.1.2 Joint Learning Method

这样，推荐模块可以指导图形嵌入模块中的特征学习过程。