知識圖譜做推薦系統-前言

推薦系統發展至今經歷過多次的演算法迭代，主要可以分成以下幾個內容：

傳統演算法

深度學習模型

知識圖譜推薦

1、傳統演算法

最典型的就是基於協同過濾 （CF），這裡不細說

2、深度學習模型

用深度學習模型做推薦有很多相關的論文，包括學術和工業落地的，最典型的就是YouTube這個模型：

Deep Neural Networks for YouTube Recommendations

王喆：重讀Youtube深度學習推薦系統論文，字字珠璣，驚為神文

Deep Interest Evolution Network for Click-Through Rate Prediction

王喆：推薦系統中的注意力機制——阿里深度興趣網路（DIN）

A Multi-View Deep Learning Approach for Cross Domain。pdf

《一種基於DSSM模型的跨領域深度推薦模型》

Wide & Deep Learning for Recommender Systems

《詳解 Wide&Deep 推薦框架》

DeepFM： A Factorization-Machine based Neural Network for CTR Prediction

《深度推薦模型之DeepFM》

Deep Learning based Recommender System-A Survey and New Perspectives

3、知識圖譜推薦

將知識圖譜（Knowledge Graph，KG）引入推薦系統（Recommender System，RS）主要有三個作用：

緩解冷啟動

緩解資料稀疏

可解釋性

傳統基於協同過濾 （CF） 的推薦系統演算法普遍存在

資料稀疏 (使用者 - 物品矩陣)

和

冷啟動

兩個問題，且往往難以充分利用所提供的資料， 為解決協同過濾帶來的問題並將更多的資訊（side information）引入推薦系統，利用知識圖譜（KG）往往是一個能夠較好地綜合各類資訊的選擇。此時將各類實體（entity）標識為點，將實體之間的關係（relationship）標識為邊（有向邊，比如使用者 A 關注 B 需要用有向的關係進行表示），同時考慮到存在多種不同類別的實體（可以是使用者可以是物品可以是某一個tag）和不同類別的關係（使用者與商品的互動，使用者之間的關注關係等），構造異構資訊網路，即能夠較好地將不同的資訊綜合進入整體的資訊網路。則此時一條資訊可以表示為一個三元組：

（頭節點H，關係R，尾節點T）

利用知識圖譜的推薦系統按實現思路在此分為兩類：

基於 embedding 的方法

：也就是利用知識圖譜嵌入的方法（KGE）先學習到各個實體 / 關係的嵌入 = 用一定維度的向量來表示各個結點和邊，再利用向量表示來進行推薦任務（比如計算某一個物品和使用者以前好評的物品的相似度 // 對於兩個向量這是很好處理的 // 以決定是否需要將這個物品向用戶進行推薦 etc）

embedding 的方法分為 Trans 系的方法或基於異構資訊網路的方法等，（具體的建議關鍵字 KGE /

掃盲參考

），後續推薦系統的任務基於 CF 等均可。

基於路徑 path 的方法

： 也就是將物品與使用者構建為一個巨大的異構圖，利用路徑進行推薦（比如 meta-path / meta-graph 的方法，構建結束後再利用矩陣分解 + 分解因子機等方法進行推薦任務，

參考

）但是注意此時的缺點在於要人工設計 meta-graph / meta-path，繁瑣是一方面，有效性或全面性本身有待商榷。

［1］

參考

^https：//www。zhihu。com/column/c_1363100370948947968