指纹图谱相似度评价软件_知识图谱总结

引自HTLiu：推荐系统结合知识图谱简单总结

推荐系统简介

一句话来介绍的话，就是通过分析历史数据，来给用户 推荐 可能会喜欢/购买的商品， 这里面的核心就是用户 (User) 和 商品 (Item)。 更进一步，推荐系统的关键有下面三部分：

• 用户偏好建模：User Preference
• 商品特征建模: Item Feature
• 交互: Interaction

在RS中，具体的问题有多种，这篇笔记暂时侧重于Click-Through-Rate（点击预测) 问题，即根据用户历史点击/购买的Item列表，来预测 是否会点击/购买当前item，因此不考虑user的一些属性因素的话，本质就是判断历史item集合与当前新的item的相似度。

因此item的建模比较关键，在推荐系统中，目前不少工作开始融合一些结构信息来提高性能与解释性，至于如何建模结构，个人理解已有工作大概可以分为两种类型：

• 结合知识图谱（Knowledge Graph)
• 结合异质信息网络 (Heterogenerous Network)

论文

CKE

Zhang F, Yuan N J, Lian D, et al. Collaborative knowledge base embedding for recommender systems[C]// KDD, 2016: 353-362.

问题：给用户推荐 一个商品列表， 评价指标是使用Map@K: Recall@K 。

总览

使用item各种外部辅助信息来融合到CF中， 包含:

- 结构信息: 异质结构信息（知识图谱），如 （演员-》出演-电影）

- 文本信息: item的文本描述，如电影的文字简介。

- 图片信息: item的图片，如电影海报 其中编码方式: - 结构信息: TransE/R - 文本信息/图片信息: SDAE(堆叠自动编码)

得到关于item的三种Embe