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
![9058e7c3cc0921fac48ca4c017081c64.png](https://img-blog.csdnimg.cn/img_convert/9058e7c3cc0921fac48ca4c017081c64.png)
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