movielens推荐系统_【论文梳理】知识图谱 x 推荐

Memo - 基于知识图谱的推荐

2019.03

本次Memo记录了近几年“知识图谱 x 推荐”的相关顶会论文。其中大部分论文是将知识图谱内的信息作为外部知识引入推荐系统，从而提升推荐质量；小部分论文建立了知识图谱补全与推荐双任务的模型，通过交替学习使得两个任务的效果共同提升。文章梳理如下：

1. 仅推荐任务：
   1) Embedding-based Methods, e.g.CKE, DKN …
   2) Path-based Methods，e.g. PER, KPRN ...
2. 推荐 + 知识图谱补全双任务

1 仅推荐任务

这部分的论文，都是试图将知识图谱与推荐系统的结构相融合，期望借助图谱内各个实体内在的关联，提升推荐质量（可解释能力和推荐准确度）。一些论文借鉴了图谱内节点和关系 embedding 的思路，试图利用图谱内的 embedding 信息来进一步丰富原有的 uer-item embedding 信息。另一些论文着重于阐述推荐系统的可解释性，所以从研究知识图谱内在路径关联入手，对可能存在的推荐路径进行建模。

1.1 Embedding-based Methods

基于 Embedding 的方法常见的做法分为两步：

1. 采用 Knowledge Graph Embedding (KGE) 技术对图谱内的所有实体和关系嵌入表示，例如 TransE, TransR, TransH 等 Trans 系列算法。
2. 将嵌入表示后的实体和关系与item-user的交互关系相融合，再在此基础上建模。

1.1.1 Collaborative Knowledge Base Embedding (CKE) [1]

CKE 是微软在 KDD2016 年发表的一篇论文，其模型结构如图所示，在原有系统过滤得到 U, V 向量的基础上，将 item 的嵌入与其他描述信息相结合，这些信息主要有:

1. 采用 TransR 算嵌入得到的知识图谱，图谱内每个 entity embedding 被提取为 item 的 structural vector。
2. 采用 SDAE 模型得到 item 描述性文本的 Textual embedding。
3. 采用 SCAE 模型得到 item 相关图像的 Visual embedding。

因此，item 的表示是原有向量和新三方面信息向量的加和。

CKE 是典型的将知识图谱作为外部信息，扩充 item enbedding 的模型。其在 MoiveLens-1M 和 IntentBooks 数据集上都比基于矩阵分解的其他工作效果更好。但 CKE 的缺陷在于没有没有利用知识图谱内的实体间的关系信息，并且 user embedding 没有得到更新。即使增加的信息涵盖多方面，但我觉得加一层权重会更合理。

1.1.2 Deep Knowledge-aware Network (DKN) [2]

DKN 是之前看过的一篇论文，同样也是微软团队在 WWW2018 会议上发表的。它是一个仅针对新闻任务提出的框架，知识图谱用在对新闻标题作嵌入的层面。DKN 提出对新闻标题内每一个关键实体，在知识图谱内找到其 entity embedding 和 context embedding。具体来说，对一个包含实体词

的新闻标题来说：

• 知识图谱内对应的 entity embedding：
• 知识图谱内对应的 entity context embedding：
  ，其中
  ，
  为
  在图谱上一跳内能到达的实体合集。