统一知识图学习和推荐:更好地理解用户偏好

文章：Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences

动机：

KG纳入推荐系统时，考虑其不完全性是至关重要。为了共同学习推荐模型和知识图谱补全，将关系信息以KG的形式传递，以了解用户喜欢某件商品的原因。

用户喜欢电影Future 和Future 2，可能是因为喜欢导演Robert的电影。由于缺失三元组（Robert Zemeckis, isDirectorOf, Death Becomes Her）缺失关系，无法为用户推荐电影Death Becomes Her。

CoFM将每个任务中的两个潜向量空间对齐在一起，如果它们指向同一事物，则通过正则化或共享实体和项目嵌入。但是，它忽略了实体关系在用户-项目建模中的重要作用，不能提供解释能力。

方法：

提出TUP（基于翻译的用户喜好模型），关键是利用用户与物品之间存在多种(隐性)关系，揭示用户对物品的消费偏好(即消费原因)。从技术上讲，作者将从KG学习到的关系嵌入和实体嵌入转移到TUP，同时训练KG完成和推荐任务。作者将这种方法称为知识增强TUP (KTUP)，它联合学习用户、项目、实体和关系的表示。

考虑到用户偏好的隐含性和多样性，作者在TUP中设计了两个主要组件:偏好归纳和Hyperplane-based翻译。

偏好归纳组件：

给定user-item对（u,i），组件从latent factors集合P中归纳出一种偏好。

两种策略：
hard approach:从p个偏好中选一个。
soft approach:将所有偏好和注意力结合起来。

Hyperplane-based Translation:
受TransH的启发，作者引入了超平面来处理各种偏好。

联合学习：JOINT LEARNING VIA KTUP FOR TWO TASKS

KTUP框架