武进网站建设效果,资料库网站应该怎么做,很色h做游戏网站,怎么用程序做网站作者 | 郭庆宇转载公众号 | 读芯术TKDE 2020综述#xff1a;基于知识图谱的推荐系统A Survey on Knowledge Graph-Based Recommender Systems中科院计算所、百度、港科大、中科大、微软原文Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, Hui Xiong, Qing He… 作者 | 郭庆宇转载公众号 | 读芯术TKDE 2020综述基于知识图谱的推荐系统A Survey on Knowledge Graph-Based Recommender Systems中科院计算所、百度、港科大、中科大、微软原文Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, Hui Xiong, Qing He, A Survey on Knowledge Graph based Recommender Systems, In IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE), 2020doi: 10.1109/TKDE.2020.3028705.本文是中科院计算所、百度、港科大、中科大、微软学者发表于TKDE-2020的工作[1]。这篇工作基于该团队发表于《中国科学信息科学》的中文综述论文[2]进一步全面地归纳了近年来基于知识图谱的推荐系统方面的相关工作对里面的核心关键算法进行了展开的介绍和对比分析汇总了所涉及到的知识图谱数据我们还总结了现有不同基于知识图谱的推荐系统应用场景和相应可选择的benchmark数据集最后我们对该领域的未来发展进行了一定的展望讨论对该领域今后的研究具备一定的指导意义。1. 引言 随着互联网的快速发展我们正处在信息爆炸的时代。当我们在享受互联网带来的便利的同时也面临着信息过载的问题难以迅速地从海量数据中汲取所需信息。为了解决这一问题推荐系统应运而生并在包括音乐、电影、购物等众多场景落地实践提高了用户的体验。近段时间基于知识图谱的推荐系统引起了研究者的广泛关注其基本思想是将知识图谱作为一种辅助信息引入到推荐系统中。这种方法既可以提高推荐系统的准确性又能够为推荐结果提供解释。一方面知识图谱是一种有向信息异构网络其中节点代表实体有向边可表示实体间的关系。知识图谱蕴含了推荐系统中物品的大量背景信息可表示物品间的多种关系。与此同时还可以结合推荐系统中用户与物品的交互数据扩展用户和物品间的隐藏连通关系从而更精准地建模用户偏好提高推荐效果。下图是一个基于知识图谱的推荐实例其中既包括了用户、电影、演员、导演、题材这几种实体又包含了实体间的复杂关系。电影“阿凡达”、“血钻”和用户Bob借助知识图谱中的隐藏关系连接在一起从而辅助系统做出精准的推荐。另一方面知识图谱也使得推荐结果有迹可循。例如通过该图中的关系序列我们可以得知向Bob推荐“阿凡达”的一个原因是“阿凡达”与Bob曾经看过的星际穿越同属科幻片。 图1 一个基于知识图谱的推荐实例 本综述的目的是总结与阐述利用知识图谱做推荐的研究现状这一工作与前人的工作有所重叠例如基于图的推荐系统综述、关于知识图谱应用的综述。和前人的工作相比我们对于方法的介绍更为深入并提供了更细致的层次化技术分类。我们首先将该领域的文章分为三大类分别是基于嵌入的方法embedding-based methods基于连接的方法connection-based methods和基于传播的方法propagation-based methods。同时又按照每一类方法的特点提供更细致的划分。本文的第二点贡献是我们详细阐述了知识图谱如何给推荐结果提供可解释性并总结了不同技术手段。同时我们以推荐系统的应用场景作为划分依据总结了不同应用下可使用的数据集。最后我们根据对这一领域的理解提出了一些未来发展方向的展望。2. 方法总结 我们按照知识图谱的利用方式将现有工作分为三大类基于嵌入的方法基于连接的方法和基于传播的方法。对于每类方法我们又做了更进一步的划分并列举了代表性工作加以介绍。我们将所调研的文章汇总在如下的表格中将每种方法按照我们总结的分类依据归类并整理了各工作构建知识图谱的方式图嵌入方法以及解决的主要问题以方便读者查阅。 表一、 方法总结 2.1 基于嵌入的方法基于嵌入的方法主要利用知识图谱中丰富的语义关系来丰富物品、用户的表征。这类方法主要包含两部分图嵌入模块主要利用图嵌入的方法学习知识图谱中实体和关系的表征和推荐模块以建模用户对物品的偏好。按照这两个模块的结合方式可将这一方向的工作划分为三类。第一类是依次学习首先利用图嵌入算法单独训练图嵌入模块随后将预先训练好的知识图谱表征向量引入到推荐系统中扩充用户、物品的语言表征随后训练推荐模块一些代表性的工作包括DKN、KSR、KTGAN等第二种思路是联合学习将图嵌入模块和推荐模块的目标函数相结合从而实现端到端的训练代表性工作包括CKE、CFKG等第三种思路是引入多任务学习框架通过将图嵌入模块设计成与推荐模块相关而又分离的任务例如知识图谱补全边预测任务从而利用图嵌入模块监督推荐模块的训练过程相关工作包括MKR、KTUP、RCF。 2.2 基于连接的方法基于连接的方法主要利用图谱中实体间的连接方式做推荐这类方法大多是将包含物品属性的知识图谱与用户-物品的交互矩阵相结合构建用户-属性-物品图挖掘用户和物品间的多种连接关系。这一方向有两种基本思路第一种是利用实体间的连接相似性做推荐通过定义图谱中的基本结构特征例如元路径计算不同路径下实体间的相关性作为用户及物品表征的约束条件代表性工作包括Hete-CF、FMG等第二种思路是挖掘用户与物品之间存在的语义路径学习实体间连接路径的显式表征将其引入到推荐框架中以直接建模用户与物品间的连接关系代表性工作包括MCRec、RKGE等。 2.3 基于传播的方法尽管上述两类方法都提升了推荐的精准性但都没有利用图中所包含的全部信息比如基于嵌入的方法侧重于学习知识图谱中的语义表示而基于连接的方法关注知识图谱中实体的连接信息。基于传播的方法结合了上述两大思路其基本思想是借助知识图谱中实体间的连接路径将实体语义表征在图中传播直接建模实体间的高阶关系从而更合理地挖掘了知识图谱所包含的信息。基于传播的方法包含三种实现途径具体而言第一种方式基于用户的历史行为通过聚合用户历史交互物品的多跳邻居来丰富用户表征从而将用户的历史兴趣在知识图谱中沿着向外传播这方向的代表性工作包括RippleNetAKUPM等。第二类方式是将目标物品与其多跳邻居聚合更新物品的表征。在聚合过程中实体表征的聚合权重由用户和目标实体共同决定从而将用户的偏好引入到实体表征的更新过程中代表工作包括KGCN等。第三种思路是将用户物品交互矩阵与包含属性信息的知识图谱相结合从而将用户和物品统一表示在一张图并与图中各自的多跳邻居表征聚合丰富用户与物品的表征代表工作包括KGAT等。 2.4 本章小结基于嵌入的方法使用图嵌入算法学习知识图谱中实体和关系的表征将其整合到推荐系统框架中。其优势是较为灵活易于实践但这种方法忽略了实体间的高阶关系且往往不具有可解释性。基于连接的方法侧重于挖掘用户与物品在知识图谱中的多种连接关系其优势是连接模式往往可以带来可解释性但往往不适用于用户与物品交互数据稀疏的场景且将用户与物品间复杂的关系分解为若干连接单元会损失部分信息。基于传播的方法基于图上传播机制结合了基于嵌入的方法和基于连接的方法的特点充分挖掘知识图谱中的信息。但一个显著的缺点是训练过程需要消耗较多计算资源在大规模数据的业务场景下需要考虑可扩展性。我们也简要总结了利用知识图谱为推荐结果带来可解释性的主要技术手段包括1对知识图谱的关系嵌入运用注意力机制2定义元路径等基本结构单元3对连接路径表征运用注意力机制4在结合了用户与物品交互信息的知识图谱中运用强化学习5提取基于传播的方法中实体聚合的权重。3. 数据集基于知识图谱的推荐系统不仅可以提高推荐效果带来可解释性还易于与多种推荐框架相结合运用于众多实际场景。我们将所调研的工作按照应用场景分为七类包括电影推荐、图书推荐、音乐推荐、新闻推荐、商品推荐、POI推荐以及社交推荐总结了每种场景下所使用的的数据集与采用的外部知识图谱并按照构建知识图谱的方法总结各个工作。同时我们也阐述了每种应用场景的特点并介绍了每种场景下对应数据集的基本信息。为方便读者查阅本节内容我们将其总结于下表。 表二、数据集总结 4. 未来展望除此之外我们也对这一方向的工作做了展望包括1动态推荐当前基于知识图谱的推荐算法往往训练时间较长成本过高适用于静态的推荐场景用户的兴趣在很长一段时间内保持稳定。然而在实际的业务场景中用户的兴趣往往变化迅速。如何基于实时的反馈数据动态迭代推荐策略保证推荐的时效性是未来的研究趋势之一2多任务学习知识图谱本身存在的一些问题也会成为推荐系统的瓶颈例如知识图谱中事实信息并不完整导致实体间部分关系缺失从而可能忽略了用户的部分偏好。因此可以设计与知识图谱相关的任务例如知识图谱补全将其与推荐系统联合训练以便提高推荐效果。3跨领域推荐在实际业务场景中用户往往会选购不同领域的商品例如图书和电影。不同领域的交互数据可以与知识图谱自然地结合在一起且推荐系统在多种场景下往往具有相似的规律。因此可以通过迁移学习等技术通过共享交互数据相对丰富的源领域的交互特征缓解目标领域数据稀疏的问题从而在多个领域都做出更好的推荐结果。4结合知识的文本表示在以新闻推荐为代表的推荐场景下理解文本信息至关重要。通过将外部知识图谱中的丰富信息引入语言模型训练中可以获得更好的文本表示比如结合知识的文本表示方法ERNIE和STCKA可以用在新闻推荐这样的文本为主的应用里从而做出更准确的推荐。5. 总结本文调研了基于知识图谱的推荐系统的相关工作系统总结了这一领域的最新进展。我们着重阐述了不同研究方法的技术特点并提出了分类方式同时阐述了如何运用知识图谱为推荐结果带来可解释性。与此同时我们也介绍了不同应用场景下可供选择的数据集为入门这一方向提供了可行的建议。最后我们提出了这个研究方向存在的发展趋势希望能促进这一领域的进步与发展。基于知识图谱的推荐系统方兴未艾知识图谱中蕴含的丰富信息可以有效提升推荐系统的效果并带来可解释性。我们希望本文能够帮助读者理解这一领域的工作。论文下载链接[1] https://ieeexplore.ieee.org/document/9216015[2] http://scis.scichina.com/cn/2020/SSI-2019-0274.pdf OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 网站。
