【论文阅读】Unifying Knowledge Graph Learning and Recommendation

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