结合知识的推荐系统
Resources:
1. Knowledge Graph(知识图谱)
1.1 Knowledge Enhanced Recommendation(知识增强的推荐系统)
知识增强的推荐系统可以有效解决推荐中几大问题:
准确性
- 关于items的更多的语义内容
- 更深度的用户兴趣表示
多样性
- 知识图谱中不同的关系类型
- 通过不同的语义路径拓展用户兴趣
可解释性
- 将用户兴趣与推荐结果相连接
- 改善用户满意度,提升用户信任度
1.2 Knowledge Graph Embedding(知识图谱嵌入表示)
知识图谱嵌入表示是为知识图谱中的每一个实体和关系都学习一个低维的向量表示,使他们可以保持结构和语义知识。
- Distance-based Models(基于距离的模型)
- Matching-based Models(基于匹配的模型)
- 训练方式
2. Collaborative Knowledge Embedding(协同知识嵌入)
2.1 协同知识嵌入
结构知识
- Direct, act等
视觉知识
- 电影海报,书籍封面图像等
文本知识
- 电影描述,评论等
2.2 经典论文
论文名称:Collaborative Knowledge Base Embedding for Recommender Systems, KDD 2016
模型:
- 数据:
3. Deep Knowledge-aware Network
3.1 经典论文
论文名称:Deep Knowledge-Aware Network for News Recommendation, WWW 2018
思路示例图:
处理过程:
提取知识表示:
- 模型:
4. Ripple Network
4.1 经典论文
论文名称:Ripple Network: Propagating User Preferences on the Knowledge Graph for Recommender Systems, CIKM 2018
思路示例图:
- 模型:
- 结果:
5. 可解释性推荐
5.1 经典论文
论文名称:Explainable Recommendation Through Attentive Multi-View Learning
模型:
- 数据:
6. 总结
总结:知识图扩展了每个item的信息量,加强了它们之间的联系;带来推荐结果额外的多样性和可解释性;
未来工作:
•将图形推理与推荐系统集成;
•联合设计和优化推荐算法和底层架构;
•处理知识的时间演变;
- 本文作者: 鱼咸滚酱
- 本文链接: https://github.com/WangMeng2018/WangMeng2018.github.io/tree/master/2020/01/26/结合知识的推荐系统/
- 版权声明: 本博客所有文章除特别声明外,均采用 Apache License 2.0 许可协议。转载请注明出处!