增强知识图谱推荐系统

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