Paper-RKGE [ Recurrent Knowledge Graph Embedding for Effective Recommendation ]
Abstract
关于KG应用于推荐,现行方法多依赖于KG的手工特征工程
本文提出RKGE,一种KG嵌入方法,能够自动学习实体间路径的语义表示,以描述用户对物品的偏好 ;
RKGE使用循环网络技术[recurrent network],通过一批循环网络对链接相同实体对的路径的语义进行建模,并将其融合到推荐中;
并使用池化操作[pooling operator] 区分不同路径在描述用户对物品偏好时的显著性。
RKGE在提升推荐表现的同时,还提供了更加具有解释性[meaningful explanations] 的推荐结果。
KeyWords
KG、RNN、Semantic Representation、Attention Mechanism
Introduction
借用KG的辅助信息能够更好的进行推荐,而不是仅使用用户-物品交互。
现有方法:
利用来自KG中路径[meta path,etc] 的物品相似度扩展LFM [latent factor model] ;依赖于手工特征工程和领域知识,且并不完整
由表示学习RL[representation learning] 的流行,工作[44][CKE] 利用kG嵌入来捕获实体语义以供推荐;与上述方法不同,基于KG嵌入的方法利用一个实体与其属性的一级自我中心网络[one level ego network] 自动学习实体在KG中的嵌入;局限是忽略了路径连接的实体之间的语义关系
例子:
Bob对SPR的偏好推导:
1.Bob -评分- TT -分类为- DRAMA -分类- SPR
2.Bob -评分- TT -导演是- Steven Spielberg -导演- SPR
这些路径捕获了两种语义关系:1.属于统一类型 2.由统一导演执导
连接同一实体对的不同路径通常具有不同的语义关系;它们在描述用户偏好时也拥有不同的重要性。
总结:
考虑使用循环网络[recurrent network] 学习实体关系中的语义;
循环网络能够对不同长度的序列进行建模,特别适合于建模路径,如KGs中不同数量实体的序列;更重要的是,循环网络不仅可以对实体语义进行建模(通过嵌入层),还能对整个路径进行编码,从而为实体和实体关系的表示提供统一的学习方法。
提出一个统一循环网络知识图谱嵌入模型 RKGE:
RKGE首先从KG中自动挖掘实体对之间的所有合格路径,然后通过一批循环网络对其进行编码,每条路径由一个循环网络建模。批处理中的递归网络共享公共参数以避免过拟合。因此,RKGE能够灵活捕获连接实体对的不同长度的不同数量的路径。
然后,它使用一个池化[pooling] 操作来区分不同路径对于描述用户对项的偏好的重要性。
最后将推荐层与网络无缝集成,以通过端到端方式对RKGE进行训练。
是第一个采用循环网络来捕获KG中实体和路径的语义以进行有效推荐的工作。
Related Work
Graph based Methods
[7] 在KG上应用扩散激活技术[spreading activation technique]。
[20,21] HeteRS 解决基于事件的社交网络中的推荐问题;将推荐问题转化为节点邻近性计算问题,利用,马尔科夫链[Markov chain] 进行求解。
[2] 对KG进行逻辑推理[logic reasoning] 来推断用户偏好。
[3] RERA,采用个性化页面排名[Personalized Page Rank] 利用KG。
这些方法都基于随机漫步[random walk] 的底层技术,只考虑了KG的拓扑结构,没有考虑到建模实体和关系间的