「顶会综述」基于图模型的推荐系统

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