如何将知识图谱引入推荐系统？_AI&大模型_DataFunTalk



 写点什么

在信息爆炸的互联网时代，推荐系统可以理解用户的个性化偏好和需求，帮助用户筛选出自己感兴趣的产品和服务。然而，传统的基于协同过滤的推荐系统无法解决数据稀疏和冷启动问题。知识图谱是一种表示实体之间的复杂关系的异构图。在本文，我会介绍如何将知识图谱作为辅助信息引入推荐系统，以解决传统方法的缺点和提升推荐系统的性能。主要介绍：
推荐系统
知识图谱
知识图谱辅助推荐系统

知识图谱

知识图谱（Knowledge Graph, KG）也可以看作一种辅助信息，KG 是一种有向异构图，它的节点表示实体，边表示实体间关系。一个 KG 通常包含多个三元组，形如（head, relation, tail），表示头实体与尾实体存在某种关系。我们假定推荐系统中的物品也是一个 KG 中的节点，因此 KG 提供了物品和物品之间的关系。

1. 知识图谱实例

以电影推荐为例，一个用户看过的电影可以靠 KG 中的实体连接到其他电影，通过合理推断，可以认为用户也会喜欢与该电影紧密连接的电影，因此从电影的属性和特征出发，一个 KG 可以帮助我们合理地推测用户的兴趣。

以新闻推荐为例，可以通过用户阅读过的新闻实体，利用 KG 重复扩展并连接到另一条新闻。虽然下图中上下两条新闻字面上没有重合，但可以通过常识知识图谱进行判断关联非常紧密。

2. 知识图谱嵌入 Knowledge Graph Embedding

知识图谱嵌入（Knowledge Graph Embedding, KGE）可以解决知识图谱作为复杂图结构难以直接利用的问题，KGE 可以学习 KG 中实体关系的低维向量表示。

常用转移距离模型（Translate Distance Model）

TransE 目标是使 head 实体 embedding 加上 relation embedding 接近 tail 实体 embedding。

TransH 解决一对多多对多关系，通过计算 head 和 tail 实体 embedding 在关系 embedding 上的投影，计算投影之间的关系。

TransR 通过将 head、tail embedding 转换到 relation embedding 空间，是转换后的投影满足三元组的关系。

知识图谱辅助推荐系统

Knowledge-Graph-Enhanced Recommender Systems

问题定义（Problem Formulation）：给定用户集合、物品集合、用户参与标签，以及相关知识图谱 G，目标为预测用户点击概率 y^uv。

知识图谱嵌入方法分为两类：

基于嵌入方法（Embedding-based methods）

首先用 KGE 的方法处理 KG，得到实体、关系的 embedding，利用推荐系统的方法得到物品、用户的 embedding，设计一种模型来融合四类 embedding。

基于结构方法（Structure-based methods）

将 KG 和用户物品交互的图结构概括在一个统一的框架下，挖掘图结构信息。

1. Deep Knowledge-aware Networks

embedding-based 方法（H. Wang, et al. "DKN: Deep knowledge-aware network for news recommendation." WWW 2018.）

① 框架

给定新闻数据，使用实体链接提取出相对应的实体，利用给定实体取出完整知识图谱的子图，用 KGE 的方法处理子图，得到实体 embedding。

将邻居实体 embedding 平均得到该实体的 embedding 表示。

Knowledge-Aware CNN

Kim CNN 用来学习句子的 embedding。给定句子中有 n 个词语，词嵌入维度为 d，使用 3 个长度为 d 宽度为 2 的 1 维卷积核处理词嵌入矩阵，再用 4 个宽度为 3 长度为 d 的一维卷积核处理词嵌入矩阵，对最后一维进行 max-pooling，将池化结果 concat 后得到的向量作为 sentence embedding。

Knowledge-Aware CNN（KCNN）是对 Kim CNN 的扩展，输入为三个 embedding，包括 word embedding、entity embedding 和 context embedding。如果 word embedding 中单词对应一个实体 entity embedding 中对应位置为学到的实体 embedding，如果不对应实体则用 0 来填充。此时的卷积核高度变为 3。

Attention-Based User Interest Extraction

给定用户历史新闻数据和候选新闻，判断用户是否对候选新闻感兴趣。先使用 KCNN 的方法学习新闻 embedding，并用 attention net 来判断以前读过的新闻对候选新闻的重要程度，attention network 通过将向量拼接并经过 dnn 来计算最后的权重，利用 attention net 的权重加权用户历史数据可以得到用户的 embedding，最后将用户 embedding 和候选新闻 embedding 拼接并通过 dnn 得到点击候选新闻的概率。

② 实验

使用 Bing News 作为数据集，KG 使用微软 Satori。Bing News 数据集中标题平均词数量为 7.9 个，平均实体数量为 3.7 个。

实验结果如下图，（-）代表没有使用 KG 的方法，可以看到 DKN 方法显著地好于其他 baseline 的方法。

2. Multi-Task Feature Learning for KG-Enhanced RS

embedding-based 方法（H. Wang, et al. "Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation. " WWW 2019）

① 框架

多任务学习框架，下图左为推荐系统的框架，下图右为 KGE 的框架。

由于知识图谱中的实体就是推荐系统中的 item，可以认为它们的 embedding 存在特定的关系，因此使用 cross&compress units 来建模实体和物品 embedding 之间的关联。其中 cross 操作将计算向量内积得到矩阵，compress 操作通过将矩阵压缩为向量。

推荐系统用 MLP 处理用户 embedding，并使用 cross & compress 计算物品的 embedding，最后拼接来计算点击概率。

KGE 模块中，使用 cross & compress 处理 head 实体 embedding，使用 MLP 处理关系 embedding，拼接后通过 MLP 计算 tail 实体的预测值，并以 embedding 预测值和真实值之间的差距作为损失函数。

因此，整体的损失函数分为三块：推荐系统的损失、KGE 的损失和正则损失。

② 实验

分别在四个数据集上进行了实验，实验结果好于其他方法。

3. RippleNet: Propagating User Preference in KGs

Structure-based 方法，以跳数来表示用户的兴趣传播，类似于水滴的传播过程，因此称为 RippleNet。（H. Wang, et al. "RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems.” CIKM 2018.）

① 框架