Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences
总体大纲如下图
记录下:9月6号
组合两个模型:TransH
和TUP
TransH:考虑关系和实体的1对N,N对1,N对N的情况,实现kg的补全增强
TUP:包括偏好引入和超平面映射
-
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 Strategy:假设当用户对项目做出决定时,只有一个偏好生效
soft Strategy:注意力机制融合多个偏好 -
超平面映射
和TransH思想类似,user-item对看作h,t,用户对item的偏好看作r,用偏好p代替kg中的r.
KTUP: 组合上面两个模型
同时提出加强item embedding,perference embedding
i' = i + e;
p' = p + r
w_p' = w_p + w_r
然后进行超平面映射,得到新的打分函数
问题:知识图谱的补全增强体现在哪里?TransH算法进行知识图谱的补全
记录下:9月7号,学习TransH知识图谱补全
参考:
transH算法实现知识图谱补全实验
TransH认为:TransE算法在处理自反关系,多对一,一对多,多对多关系时,会使不同的实体拥有相同的嵌入(h+r=t,h+r=t’=>t=t’)
提出了超平面,将头实体和尾实体映射到同一个超平面上,dr是两者在超平面上的平移
知识图谱补全:链接预测
通过TransH建