公众号 系统之神与我同在
本文内容:
推荐系统
知识图
知识图增强的推荐系统
Embedding-based方法
深度感知机网络
多任务学习
基于结构的方法
RippleNet
知识图卷积网络
推荐系统(Recommender Systems)
Rating/CTR 预测
协同过滤
CF不能处理
·用户-项目交互的稀疏性
·冷启动问题
CF + Side Information
知识图谱
为何在推荐系统中使用知识图谱?
知识图嵌入
将问题转化成公式
知识图谱增强的推荐系统
Embedding-Based 方法
深度感知机网络
知识提取
上下文嵌入
Kim CNN
知识感知机CNN
基于注意力机制的用户信息的提取
数据集
实验结果
知识图谱增强的推荐系统的多任务特征学习
框架
Cross&Compress Unit
推荐模块
知识图谱嵌入模块
学习算法
数据集
实验结果
与baseline的比较
基于结构的方法
RippleNet:在知识图谱中传播用户的偏好
在知识图谱中引入用户的偏好
RippleNet 框架
偏好的传播
实验结果
可解释性
知识图谱卷积网络
得分函数
预测概率
实验结果
比较
表现
·KGCN (Aug 2019) > MKR (May 2019) > RippleNet (Oct 2018) > DKN (Apr 2018)
可伸缩性
·Embedding-based 方法 > structure-based 方法
·用户与物品的互动会随着时间而改变,但知识图谱不会
·知识图谱嵌入可以重用
可解释性
·Structure-based 方法> embedding-based 方法
·图形结构比嵌入式更直观
总结
知识图谱对于推荐系统是一种新型的侧面信息
来解决数据稀疏和冷启动问题
·以提高遥感的准确性、多样性和可解释性
·Embedding-based方法
·DKN查询新闻推荐
·MKR用于RS和KGE的多任务学习
基于结构的方法
·RippleNet用于在KGs上传播用户偏好的首选项
·KGCN——用GCN聚合有关KGs的邻近实体信息