A Survey on Knowledge Graph-Based Recommender

本周学习内容：

1.学习使用 OpenCV-Python 解决图像方面的问题：

注： 此部分仅使用库中的相关函数对图像进行处理，只是代码实现的过程，对于其中的原理并未进

行研究，只是使用 cv2 对图像进行处理，十分方便。有些部分也对比了 OpenCV 和 Numpy 中的

不同实现。

1.1 使用 OpenCV-Python 对图像处理

使用 OpenCV-Python 完成对图像的：

几何变换

扩展缩放

平移 旋转 仿射变换 透视变换 .

图像阈值

简单阈值

自适应阈值 Otsu’s 二值化 Otsu’s 二值化是如何工作的？

图像平滑

平均 高斯模糊 . 中值模糊 . 双边滤波

形态学转换 腐蚀

膨胀

开运算 闭运算 . 形态学梯度 . 礼帽 黑帽 . 形态学操作之间的关系

图像梯度 Sobel

算子

Scharr 算子 Laplacian 算子

Canny 边缘检测 原理

噪声去除 计算图像梯度

非极大值抑制 滞后阈值 .OpenCV

中的 Canny

边界检测

.

图像变换

傅里叶变换 Numpy 中的傅里叶变换

OpenCV 中的傅里叶变换

1.2 使用 OpenCV 进行机器学习简单算法实现

K 近邻（ k-Nearest Neighbour ）理解 K 近邻 OpenCV 中的 kNN 使用 kNN

对手写数字

OCR 手写数字的

OCR 英文字母的 OCR

支持向量机 理解

SVM . 线性数据分割 非线性数据分割

使用

SVM 进行手写数据 OCR

K 值聚类 理解 K

值聚类 它是如何工作的？ OpenCV

中的

K 值聚类

理解函数的参数 . 仅有一

个特征的数据 颜色量化

2.知识图谱基础知识学习

注： 此部分学习主要是了解知识图谱的相关概念，知识图谱的构建流程

Neo4J 下载安装和基本使

用，为阅读知识图谱的相关文献做准备。

图（ Graph ）是由节点（ Vertex ）和边（ Edge ）来构成，多关系图一般包含多种类型的节点和多种类

型的边。实体（节点）指的是现实世界中的事物比如人、地名、概念、药物、公司等，关系（边）则

用来表达不同实体之间的某种联系，比如人 - “居住在” - 北京、张三和李四是“朋友”、逻辑回归是

深度学习的“先导知识”等等。

构建知识图谱的过程： 实体命名识别（ Name Entity Recognition ）

关系抽取（ Relation Extraction ）

实体统一（ Entity Resolution ）

指代消解（ Coreference Resolution ）

 

3 文献阅读 A Survey on Knowledge Graph-Based Recommender

Systems

注： 本篇综述还未阅读完，基于 KG 的推荐系统对 KG 的应用有三种方式 : 基于

Embeddig 的

方法 (The embedding-based method) 基于路径的方法 (The path-based method) 联合的方

法 (The unified method) 我目前只看了本文中提到的第一种方法 基于 Embeddig 的方法 (The

embedding-based method) 对基于 Embeddig 的方法 (The embedding-based method)

所涉及的 14 中方法进行了学习，对他们的方法有了一定的了解。

推荐系统的目的旨在为 user ( 用户 ) 推荐一个（或一系列）未观测的 item ( 物品，电影，新闻等 ) 。

近段时间，基于知识图谱的推荐系统 (KG-based recommendation system, KGRS) 引起研究者

的广泛兴趣，主要是把知识图谱作为辅助信息整合到推荐系统中，这样的做法带来两个方面的优势，

其一是能够提高推荐系统的准确性，其二是能够为推荐系统提供可解释性。本文是 2020 年针对知识

图谱作为辅助信息用于推荐系统的一篇综述。知识图谱对于推荐系统不仅能够进行更精确的个性化推

荐，而且对推荐也是具有可解释性的，有迹可循。

论文汇总了近些年来知识图谱辅助推荐系统的一些研究工作，并按不同的方法进行划分类别 ( 下图是

我根据论文画出的大纲方法类别图 ) ；除此之外，汇总了不同场景下的知识图谱数据集，涵盖 7 个场

景；最后阐述了未来的一些可研究方向及趋势。

embedding-based methods – 基于嵌入的方法

知识图谱的学习表示学习，直接把 KG 编码成低秩嵌入，即是用向量来表知识图谱中的节点也关系，

这里分为两类： 类 1 ： translation distance models ： TransE [99], TransH [100],TransR [101], TransD [102] ；

类 2 ： semantic matching models ： DistMult [103]

另外，根据 KG 是否包含 users 来分类 , 可以分为两类 :

第一类（ item graph ）， KGs 只使用 items 数据与它相关属性来构建，这个目的用 item graph 来

进行学习，输出 item 的向量表示。

 

第二类（ user-item graph ）， users,items ，这些相关属性构成 graph 的节点。属性层关系与用

户关系看成是图的边。

 上面都是直接使用已学习结构知识原始的隐向量，最近提出了提练实体、关系表达的推荐。

 

多任务

 

4.学习收获

通过论文的研读和对于知识图谱 KG 的了解，感觉知识图谱在推荐系统中的应用还是特别有前景的。

首先：知识图谱可以用来存储复杂的信息，一图胜千言。 < 实体 关系 实体 > < 实体 属性 实体 > 通过

三元组将 user 和 item 进行连接，对于如何精确推荐，不同的算法给出了不同的解决策略，比如利

用侧边信息，多任务学习等方法。对于嵌入表达中，大部分都会加入一些用户辅助信息进来，有些嵌 入表达直接在原图谱表达，有些还要经过第二步的提炼；有些联合多任务来训练。对于论文的研读还

没有完全进行，最后学完再进行细致的归纳总结。

对于 OpenCV-Python 的学习，主要是 Opencv 在图像处理方面具有显著的优势，也通过代码看

着图片经过平滑 锐化 边缘特征提取后的一些图片。这个库调用使用还是比较方便的对于图形处理。

也可以用来机器学习的 K 邻近 KNN K-means 等目前对于这部分只是简单了解使用一下。

5.下周学习计划

继续完成论文后半部分的阅读

巩固复习学习机器学习深度学习的相关知识

学习知识图谱的相关知识

跟随视频使用 Neo4J python 环境等完成一个知识图谱小型问诊系统案例的搭建