知识图谱与个性化推荐

1）知识图谱与个性化推荐

（1）推荐系统的任务与难点

推荐系统分为两类：（1）评分预测；预测用户对物品的评价；例如：电影推荐中，系统需要预测用户对电影的评分，以此为依据推送用户喜欢的电影，使用的数据为用户的评分，能反映喜好；
　　　　（2）预测用户对于物品是否点击。例如：新闻推荐，预测用户点击某新闻的概率优化方案，使用的数据为用户点击/未点击，不等反映喜爱程度，为隐式反馈
　　　　
　2）知识图谱与推荐系统的结合
（1）基于特征的推荐方法

主要是从知识图谱中抽取一些用户和物品的属性作为特征，放入传统的模型中，引入了实体特征，没有引入关系特征。

（2）基于路径的推荐方法

基于路径的推荐方法，以港科大KDD 2017的录用论文《Meta-Graph Based Recommendation Fusion over Heterogeneous Information Networks》为代表。

该方法将知识图谱视为一个异构信息网络，然后构造物品之间的meta-path或者mata-graph的特征。

简单地说，meta-path是连接两个实体的一条特定的路径，比如“演员->电影->导演->电影->演员”这条meta-path可以连接两个演员，因此可以视为一种挖掘演员之间的潜在关系的方式。这类方法的优点是充分且直观地利用了知识图谱的网络结构，缺点是需要手动设计meta-path或meta-graph，这在实践中难以到达最优；同时，该类方法无法在实体不属于同一个领域的场景（例如新闻推荐）中应用，因为我们无法为这样的场景预定义meta-path或meta-graph。
（3）知识图谱特征学习（Knowledge Graph Embedding）

• 基于距离的翻译模型：　这类模型使用基于距离的评分函数 评估三元组的概率，将尾节电视为头结点和关系翻译得到的额结果，这类方法的代表有TransE，TransR等。
  

• 基于语义的匹配模型：这类模型使用基于相似度的评分函数评估三元组的概率，将实体和关系映射到隐语义空间中进行相似度度量，这类方法的代表有SML，NTN，MLP，NAM等
  
  3）结合知识图谱特征学习的推荐系统
  知识图谱特征学习与推荐系统相结合，往往有以下几种方式：依次训练、联合训练、交替训练
  

- 依次学习

我们以新闻推荐[1]为例来介绍依次学习。如下图所示，新闻标题和正文中通常存在大量的实体，实体间的语义关系可以有效地扩展用户兴趣。然而这种语义关系难以被传统方法（话题模型、词向量）发掘。

为了将知识图谱引入特征学习，遵循依次学习的框架，首先需要提取知识图谱的特征，步骤如下：

• 实体连接（entity linking）。即从文本中发现相关词汇，并与知识图谱中的实体进行匹配；
• 知识图谱构建。根据所有匹配到的实体，在原始的知识图谱中抽取子图。子图的大小会影响后续算法的运行时间和效果：越大的子图通常会学习到更好的特征，但是所需的运行时间越长；
• 知识图谱特征学习。使用知识图谱特征学习算法（如TransE）进行学习得到实体和关系向量。

为了将知识图谱引入特征学习，遵循依次学习的框架，首先需要提取知识图谱的特征，步骤如下：

需要注意的是，为了更准确地刻画实体，我们使用一个实体的上下文实体特征，一个实体e的上下文实体是e的所有一跳邻居节点，e的上下文实体特征为e的所有上下文实体特征的平均值


得到实体后，我们的第二步是构建推荐模型，该模型是一个基于CNN和注意力机制的新闻模型：

• **基于卷积神经网路的文本特征提取：**将新闻标题的词向量（word embedding）,实体向量（entity embedding）和实体上下文向量（context embedding）作为多个通道，类似于图像中的红绿蓝三通道，在CNN的框架下进行融合；
• **基于注意力机制的用户历史兴趣融合：**在判断用户对当前新闻的兴趣时，使用注意力网络（attention network）给用户历史记录分配不同的权重。