统一知识图学习和推荐:更好地理解用户偏好Unifying Knowledge Graph Learning and Recommendation

摘要：

将知识图(KG)引入推荐系统，可以提高推荐的准确性和可解释性。然而，现有的方法在很大程度上假定KG是完整的，并且只是在实体原始数据或嵌入的浅层次上传输KG中的“知识”。这可能导致性能不够理想，因为实际的KG几乎不可能完成，而且通常KG缺少事实、关系和实体。因此，我们认为在将KG引入推荐系统时，考虑其不完全性是非常重要的。

     在本文中，我们共同学习了推荐模型和知识图补全。与以往基于KG的推荐方法不同，我们将关系信息以KG的形式传递，从而了解用户喜欢某件商品的原因。例如，如果用户观看了由(关系)对于同一个人(实体)，我们可以推断出导演关系在用户决策时起着至关重要的作用，从而有助于在较好的粒度上理解用户的偏好。

     从技术上讲，我们提出了一种新的基于翻译的推荐模型，该模型特别考虑了用户对某项翻译的各种偏好，然后结合多种转换方案，用KG完成模型对其进行联合训练。在两个基准数据集上的大量实验表明，我们的方法优于最先进的基于kg的推荐方法。
进一步的分析验证了联合训练对推荐任务和KG完成任务的积极作用，以及我们的模型在理解用户偏好方面的优势。

本文采用的是联合训练。

以下是个人理解，欢迎大家指错：

本文主要解决的问题：item推荐和kg完整性（completion）两个任务

解决思路：是利用联合嵌入的方法，利用kg中的facts作为辅助信息；基于user-item的模拟，填补kg中facts的缺失。

提出的模型：TUP和KTUP

                    TUP（Translation-based User Preference）：联合KG学习，并利用user-item之间的多重隐性关系，揭示用户的偏好。为了使偏好具有明确的语义，将它们与KG中的关系对齐，项目属性的类型在用户决策过程中扮演着至关重要的角色。

                    KTUP（Knowledge-enhanced TUP）：将学习到的关系嵌入和实体嵌入进行了从KG迁移到TUP，同时训练KG的完整性和推荐任务。联合学习user、items、实体和关系的表示。将TUP和TransH进行联合学习。

下面具体介绍这两个模型：

TUP: 主要考虑偏好诱导和基于超平面的转化

•      偏好诱导：设计了两种偏好诱导策略:一种是从P个偏好中选择一个的Hard Strategy和一种将所有偏好与注意力结合起来的soft Strategy。

            Hard Strategy:推荐有效的单一偏好，利用得分函数（点积）

            soft Strategy：通过注意力机制（attention mechanism）来联合多重偏好。

•      基于超平面的转化：为了解决一个用户同时喜欢2个items，那么这两个Items的用户嵌入就很接近。