作者:刘佳玮,北京邮电大学博士生
知乎专栏:https://zhuanlan.zhihu.com/p/137223381
前言
近几年有很多工作将图模型应用于推荐系统,并为推荐系统带来了更好的实体表示和更强的解释能力。本文将介绍2020年放在arXiv上的两篇图推荐综述,不会涉及太多细节,旨在为大家展示将图与推荐系统结合的基本范式和常规思路。
A Survey on Knowledge Graph-Based Recommender Systems
第一篇是《A Survey on Knowledge Graph-Based Recommender Systems》,介绍了如何将知识图谱作为辅助信息,提升推荐效果。
arXiv链接:https://arxiv.org/abs/2003.00911
Abstract & Introduction:
推荐系统有两大基本范式:基于协同过滤(交互)的推荐和基于内容(特征)的推荐,而混合推荐旨在结合二者,并引入了多种辅助信息(用户社交网络、商品评论、知识图谱等)。
知识图谱作为辅助信息有两大优势:一是关系丰富,可以整合user、item、feature等多级异构关系于一体,尤其对于交互数据稀疏的场景,为提升推荐准确性带来了很多可能;二是关系明确,由于知识图谱里的关系已经显式构建好了,通过关系序列可以为推荐结果提供可解释性。
本文调研了知识图谱(KG)+推荐(RS)的工作,并探讨了下列三个方面:
知识图+推荐,有哪些方法(如何利用知识图进行准确和可解释的推荐)?
知识图+推荐,有哪些数据集?
知识图+推荐,有哪些未来研究方向?
注:为了方便起见,结合知识图谱的推荐系统简称为KGRS。
Concepts & Notations:
知识图谱(事实图谱)是表示大规模信息的实用方法,遵循资源描述框架(RDF)标准,用节点代表实体,用边代表实体间的关系,由边形成的三元组(即,头部实体-关系-尾部实体)代表一条事实,实体的K-1阶邻居为头实体的三元组称为该实体的波纹集(ripple set)。由于节点和边类型多样,知识图谱是异质图,并可以用