Jointly Learning Explainable Rules for Recommendation with Knowledge Graph

最新推荐文章于 2022-10-28 16:44:46 发布
最新推荐文章于 2022-10-28 16:44:46 发布
阅读量1.8k 收藏 5
点赞数 1
分类专栏： 知识图谱用于推荐 文章标签： 深度学习 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41621342/article/details/104188843
版权
本文提出了一种新的联合学习框架RulerRec，旨在将知识图谱中可解释的规则归纳与规则引导的神经推荐模型相结合，以生成有效且可解释的推荐。通过将项目映射到知识图，模型能够利用项目间的多跳关系路径总结出规则，提高了推荐的准确性和透明度。实验表明，该框架在现实世界数据集上的表现优秀。
摘要由CSDN通过智能技术生成

Jointly Learning Explainable Rules for Recommendation with Knowledge Graph

ABSTRACT

构建推荐系统的两个关键层面

  • 可解释性
  • 有效性

与先前提出做推荐的方法比较

  • 基于神经网络嵌入方法

    缺点：大多数无法给出可解释的推荐结果

  • 基于图形的方法

    eg.基于元路径的模型。需要人工干预和领域知识定义模式和规则，而且忽略了项目关联类型

提出一种新的联合学习框架目的

将知识图中可解释规则的归纳与规则引导神经推荐模型的构建相结合。
该框架鼓励两个模块相互补充，以产生有效和可解释的推荐。
通过将项目名称链接到相关实体生成的知识图谱，新提出的模型产生很好的效果。

INTRODUCTION

推荐系统具有可解释性的好处

提高推荐系统的有效性，效率，说服力，透明度和用户满意度

具有可解释性的两种推荐算法

  • 基于用户的推荐算法

    受数据稀疏性的困扰，如果用户缺少社交信息，就很难给出明确的推荐理由。

  • 基于评论的推荐算法

    受数据稀疏性的困扰，如果商品缺少用户评论，很难给出明确的推荐

最低0.47元/天 解锁文章
qq_41621342
关注
专栏目录
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph.pdf
02-05
可解释性和有效性是构建推荐系统的两个关键方面。知识图中的项目-项目关联图.给定项目,关系和项目关 联(例如,一起购买),我们的目标是从中推导规则并从规则中推荐项目.这些规则用于推断新项目之间的关联,推荐项目并...
Ekar : Explainable Knowledge Graph-based Recommendation via Deep Reinforcement Learning解析
maste23的博客
01-06 418
EKar，知识图谱和强化学习
推荐算法炼丹笔记：如何让你的推荐系统具有可解释性？
炼丹笔记
11-03 1058
作者：一元， 公众号：炼丹笔记可解释性和有效性是构建推荐系统的两大关键成份,之前的工作主要关注通过引入辅助信息来获得更好的推荐效果。但这些方法会存在下面的两个问题：基于神经网络的embedding方法很难解释和debug;基于图的方法需要人工以及领域知识来定义模式和规则，并且会忽略商品的相关类型;(可替代并且互补)本文提出了一种新的联合学习框架，我们将知识图中可解释规则的归纳与规则引导的神经推荐模...
【论文笔记】Neural Machine Translation by Jointly Learning to Align and Translate
gjh1716718326的博客
08-02 375
这篇文章发表于2014年，是attention机制的起源文章。应该也是最近看的几篇文章中，难度最高的一篇。 背景介绍 文章发表时NMT已经兴起，基于encoder-decoder架构的神经网络模型已经成为当时的标准配置（但是似乎当时效果最好的翻译模型还是基于统计的） Encoder-Decoder架构的问题 encoder的工作是将源语言的句子表示为一个固定长度的向量； decoder的工作是根据此向量进行语言生成。 这中间有一个隐藏的问题：将整个源句子压缩为一个长度固定的向量，必然会导致信息的损失，尤
论文Reinforcement Knowledge Graph Reasoning for Explainable Recommendation笔记;可解释的推荐系统
qq_37959202的博客
04-06 2831
Reinforcement Knowledge Graph Reasoning for Explainable Recommendation abstract 与大多数现有的方法不同，这篇文章致力于实现明确的可解释推荐，在知识图谱中得到明确的理由从而进行推荐。 提出了一个 Policy-Guided Path Reasoning(PGPR)方法 提出了四个主要贡献，在introduction又...
【论文不精读】Reinforced Path Reasoning for Counterfactual Explainable Recommendation
qq_42898299的博客
10-28 1051
Reinforced Path Reasoning for Counterfactual Explainable Recommendation
SuperGlue: Learning Feature Matching with Graph Neural Networks特
最新发布
07-10
本文提出了一种新的解决方案，即使用图形神经网络（Graph Neural Networks）来学习特征匹配。我们提出的方法称为SuperGlue，能够jointly找到对应关系并拒绝非匹配点。该方法使用图形神经网络来预测成本，然后使用可...
Neural Machine Translation by Jointly Learning to Align and Translate阅读笔记
01-06
Neural Machine Translation by Jointly Learning to Align and Translate 论文信息 ICLR2015 个人解读 Wang Anna & Hytn Chen 更新时间 2020-02-13 机器翻译简介 1980，基于规则的翻译，大致流程就是...
DLRM:Deep Learning Recommendation Model for Personalization and Recommendation Systems论文阅读笔记
sa726663676的博客
08-13 3918
介绍： 对于一个神经网络来说，有效地处理稀疏数据是很有挑战性的。由于缺乏代表性模型和数据集的公开可用细节，导致对推荐系统的研究进展缓慢。 DLRM（Deep Learning Recommendation Model）是深度学习推荐模型的实现，用于个性化推荐。DLRM通过结合协同过滤和基于预测分析的方法的原理，在其他模型的基础上取得了进展，这使得它能够有效地处理生产规模的数据，并提供最先...
Explainable Recommendation: A Survey and New Perspectives读书笔记
catly的博客
07-15 2997
Explainable Recommendation: A Survey and New Perspectives读书笔记 推荐系统的研究问题可分成5W - when time-aware recommendation - what application-aware recommendation - who social recommendation - where l...
论文笔记：《Reinforcement Knowledge Graph Reasoning for Explainable Recommendation》
一个研究生的推荐系统学习记录
03-06 4767
阅读日期：2020.2.18 论文题目：《Reinforcement Knowledge Graph Reasoning for Explainable Recommendation》 发现问题： 利用知识图谱进行推荐，现有的研究方向： ①利用知识图嵌入作为丰富的内容信息来提高推荐性能 ②利用知识图中的实体和路径信息做出可解释的决策 存在的问题： ①解释路径本质上是事后解释，因为它们是在相...
[论文阅读笔记17]A Survey on Knowledge Graph-Based Recommender Systems
ld326的专栏
02-19 4594
一，题目 TKDE 2020 A Survey on Knowledge Graph-Based Recommender Systems 综述：基于知识图谱的推荐系统 In IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE), 2020 doi: 10.1109/TKDE.2020.3028705. 二，作者 Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, H
Explainable
Assassintt的专栏
09-09 908
Explainable/Interpretable ML 两种类型 Local Explanation Why do you think this image is a cat? Global Explanation What do you think a “cat” looks like? Point of Explainable ML 解释Ml的目的并不是完全的知道Ml model 的工...
Explainable Reasoning over Knowledge Graphs for Recommendation
热门推荐
ZSCDumin的博客
03-01 3万+
Explainable Reasoning over Knowledge Graphs for Recommendation 1. 摘要 近年来，将知识图结合到推荐系统中已引起越来越多的关注。通过探索知识图中的互连链接，可以将用户和项之间的连接发现为路径，从而为用户项交互提供丰富且互补的信息。这种连接不仅揭示了实体和关系的语义，而且有助于理解用户的兴趣。然而，现有的努力尚未充分探索用于推断用...
推荐冷启动-From Zero-Shot Learning to Cold-Start Recommendation翻译与解析
itbigpig的博客
08-19 2613
本文主要是翻译了零样本学习在推荐冷启动中使用，在其中增加了部分个人说明，小编翻译论文仅为学习，如有侵权请联系小编删除博文，谢谢！ 概要： 零样本学习与推荐冷启动在计算机视觉、推荐系统中是两大难题，一般说，这两个问题在不同社区研究中，是各自研究的。在这篇论文中，把零样本学习与冷启动作为同一个问题的两个扩展问题来看待。比如，他们都在试图对未知的分类进行预测，他们涉及两个领域，一个用于特征表示，一个用于...
读论文笔记——Jointly Learning to Recommend and Advertise
qq_34806485的博客
03-31 2005
论文：Jointly Learning to Recommend and Advertise 链接：https://arxiv.org/pdf/2003.00097 作者：msu+头条 预备知识 强化学习：假定一个智能体（agent），在一个未知的环境中（当前状态state），采取了一个行动（action），然后收获了一个回报（reward），并进入了下一个状态。最终目的是求解一个策略让agent...
Let X and Y be jointly continuous random varibles with joint density( ) , the conditional probability that X lies between 0 and (1/2) givenX<Y .
03-08
根据题意，需要求解条件概率 P(X<1/2|X<Y)。可以使用全概率公式和条件概率公式来求解： P(X<1/2|X<Y) = P(X<1/2,X<Y) / P(X<Y) 由于 X 和 Y 是联合连续随机变量，可以使用二重积分来计算概率： P(X<1/2,X<Y) = ∫[,1/2]∫[x,1] f(x,y) dy dx P(X<Y) = ∫[,1]∫[,y] f(x,y) dx dy 将上述积分带入公式中，即可求解条件概率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值